论文页面 - CogSENet：基于模糊条件语义路由与显式频率融合的盲图像去模糊

来源：https://huggingface.co/papers/2606.30030

摘要

CogSENet 提出了一种受鹰眼视觉启发的盲图像去模糊框架，集成了语义感知模块与频率分解技术，以提升恢复质量与结构保真度。

盲图像去模糊（https://huggingface.co/papers?q=Blind%20image%20deblurring）要求从复杂未知退化中恢复高保真细节与连贯结构。当前盲图像去模糊（https://huggingface.co/papers?q=blind%20image%20deblurring）方法难以应对现实中空间变化的退化，且缺乏区分有效纹理与伪影所需的语义感知能力。为弥补这一不足，我们提出 CogSENet——一种受鹰视觉系统启发的动态语义对齐重建框架。通过模仿鹰的主动扫视机制，我们设计了语义驱动状态空间模块（SDSSM），通过可微路由（https://huggingface.co/papers?q=differentiable%20routing）实现语义感知的令牌重分组（https://huggingface.co/papers?q=semantic-aware%20token%20regrouping），从而支持提示条件化的长程依赖建模（https://huggingface.co/papers?q=long-range%20dependency%20modeling）。为确保纹理与结构的物理可解释恢复，双频融合模块（BiFreqFusionBlock，BFFB）（https://huggingface.co/papers?q=BiFreqFusionBlock）通过小波变换（https://huggingface.co/papers?q=wavelet%20transforms）将特征分解为高频与低频，模拟鹰视网膜的功能分化。最后，我们从模糊图像中估计连续模糊场（CBF）（https://huggingface.co/papers?q=continuous%20Blur%20Field），并将其与 CLIP 语义先验（https://huggingface.co/papers?q=CLIP%20semantic%20priors）融合，以调制最深层的潜在特征，模拟焦点适配（https://huggingface.co/papers?q=focal%20adaptation），实现在空间非均匀模糊（https://huggingface.co/papers?q=spatially%20non-uniform%20blur）下的自适应恢复。大量实验表明，CogSENet 在视觉质量与结构保真度上均优于当前最先进的去模糊方法，且参数更少；同时在去雾、去雨和去噪任务中也表现良好。

查看 arXiv 页面（https://arxiv.org/abs/2606.30030）查看 PDF（https://arxiv.org/pdf/2606.30030）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.30030）

在您的代理中获取此论文：

hf papers read 2606.30030

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

尚无模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2606.30030 可将其链接至本页面。

引用此论文的数据集 0

尚无数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2606.30030 可将其链接至本页面。

引用此论文的 Spaces 0

尚无 Space 链接此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2606.30030 可将其链接至本页面。

包含此论文的收藏集 0

尚无收藏集包含此论文

将论文添加到收藏集（https://huggingface.co/new-collection）可将其链接至本页面。