現實世界中的影像常受到惡劣天氣（如雨、雪、霧等）的影響，導致影像質量下降。現有的去天氣方法往往針對單一退化型別設計，且基於失真驅動的訓練容易產生過於平滑的結果，缺乏感知質量。為此，研究人員提出了PVRF（Prior-modulated and Velocity-constrained Rectified Flow），一個統一的框架，整合了零樣本軟天氣感知與速度約束整流流最佳化。
PVRF的核心創新在於引入了針對惡劣天氣去除的問答模組（AWR-QA）。該模組利用凍結的視覺語言模型（VLM），無需額外標註即可估計天氣型別的軟機率以及低層屬性分數（如對比度、亮度等）。這些感知資訊透過屬性調變歸一化（AMN）和天氣加權介面卡（WWA）來調節恢復網路，生成一個錨定估計，用於後續的最佳化。
在最佳化階段，PVRF學習一個終端一致的殘差整流流。該整流流包含感知自適應源擾動和終端一致速度引數化，能夠穩定終端區域附近的學習過程，從而提升最終恢復質量。與傳統的擴散模型相比，整流流方法在取樣效率和效能上具有優勢。
大量實驗表明，PVRF在保真度和感知質量上均優於現有的最佳方法。在單一天氣退化（如雨、霧、雪）以及複合退化場景下，PVRF都展現了強大的跨資料集泛化能力。作者還計劃在GitHub上公開程式碼，以促進該領域的研究。
總之，PVRF透過結合視覺語言模型的先驗知識和整流流的最佳化能力，為惡劣天氣去除提供了一種高效且通用的解決方案。其零樣本感知機制降低了對標註資料的依賴，而速度約束的整流流則保證了高質量的恢復結果。