Breaking Spatial Uniformity: Prior-Guided Mamba with Radial Serialization for Lens Flare Removal
作者: Zijia Fu, Yuanfei Huang, Lizhi Wang, Hua Huang
分类: cs.CV, eess.IV
发布日期: 2026-05-08
🔗 代码/项目: GITHUB
💡 一句话要点
提出DeflareMambav2：基于径向序列化与先验引导的Mamba架构，实现高效去眩光处理
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 图像修复 去眩光 状态空间模型 计算摄影 径向序列化 先验引导 深度学习
📋 核心要点
- 现有去眩光方法多采用空间均匀处理，难以平衡光源保留、伪影去除与背景细节恢复的区域差异化需求。
- 提出DeflareMambav2框架，引入眩光先验网络（FPN）与径向序列化策略，实现对眩光区域的精准感知与长距离建模。
- 实验表明该方法在保持轻量化参数规模的同时，在去眩光任务上实现了性能领先，有效提升了复杂光照下的图像质量。
📝 摘要（中文）
由复杂光学像差引起的眩光严重降低了图像质量，特别是在夜间摄影中。尽管近期的修复方法取得了显著进展，但大多数方法仍依赖于空间均匀处理，无法满足眩光场景中区域依赖的修复需求，即在保留饱和光源的同时去除眩光伪影并恢复背景细节。为解决这一挑战，本文提出了DeflareMambav2，这是一个用于去眩光的先验引导Mamba框架。具体而言，我们引入了眩光先验网络（FPN）来估计眩光先验并引导自适应修复。此外，一种新颖的径向序列化策略通过执行眩光感知目标采样打破了空间同质性，并更好地支持了状态空间模型（SSM）中的长距离建模。基于这些先验，骨干网络采用了双层自适应方案：显式保留光源区域以避免过度处理，并对剩余受污染区域应用基于课程学习的修复，同时在像素级校准修复强度。大量实验表明，DeflareMambav2在降低参数负担的同时达到了最先进的性能。
🔬 方法详解
问题定义：论文旨在解决夜间摄影中复杂光学像差导致的眩光问题。现有方法普遍采用空间均匀的处理方式，无法针对性地处理光源区域（需保留）、眩光伪影（需去除）和背景细节（需恢复）之间的空间异质性，导致修复效果不佳。
核心思路：引入先验引导机制，通过显式建模眩光分布来打破空间均匀性。利用状态空间模型（SSM）的长距离建模能力，结合径向序列化策略，实现对眩光特征的有效提取与自适应修复。
技术框架：整体架构包含眩光先验网络（FPN）和基于Mamba的修复骨干网络。FPN负责估计眩光先验图，骨干网络则利用该先验进行双层自适应处理，即通过掩码机制区分光源与污染区，并执行差异化的修复策略。
关键创新：提出了径向序列化（Radial Serialization）策略，改变了传统SSM的扫描方式，使其更符合眩光在图像中呈径向分布的物理特性，从而增强了模型对眩光结构的捕捉能力。
关键设计：采用双层自适应方案，结合课程学习策略对受污染区域进行分阶段修复；在像素级进行强度校准，确保在去除眩光的同时，能够有效保护高亮光源区域的原始信息，避免过度平滑或伪影残留。
🖼️ 关键图片
📊 实验亮点
DeflareMambav2在多个公开数据集上进行了广泛验证，实验结果表明其在峰值信噪比（PSNR）和结构相似性（SSIM）等指标上均优于现有的主流去眩光方法。同时，得益于Mamba架构的高效性，该模型在显著降低参数量和计算复杂度的前提下，实现了更优的视觉修复效果，展现了极高的计算效率。
🎯 应用场景
该技术主要应用于计算摄影与图像修复领域，特别适用于夜间安防监控、智能手机夜景拍摄及自动驾驶视觉系统。通过精准去除眩光，能够显著提升图像的视觉质量与语义信息提取精度，为后续的物体检测、场景理解等下游任务提供更清晰的输入数据，具有极高的实用价值。
📄 摘要（原文）
Lens flares, caused by complex optical aberrations, severely degrade image quality especially in nighttime photography. Although recent restoration methods have made remarkable progress, most still rely on spatially uniform processing. They are failing to handle the region-dependent restoration demands of flare scenes, where saturated light sources should be preserved, flare artifacts removed, and background details recovered. To address this challenge, we propose DeflareMambav2, a prior-guided Mamba framework for lens flare removal. Specifically, we introduce a Flare Prior Network (FPN) to estimate flare priors and guide adaptive restoration. Besides, a novel radial serialization strategy breaks spatially homogeneous processing by performing flare-aware targeted sampling, and better supports long-range modeling in State Space Models (SSMs). Based on these priors, the backbone adopts a dual-level adaptive scheme. It explicitly preserves light-source regions to avoid over-processing, and applies curriculum-based restoration to the remaining contaminated areas while calibrating restoration intensity at the pixel level. Extensive experiments demonstrate that DeflareMambav2 achieves state-of-the-art performance with reduced parameter burden. Code is available at https://github.com/BNU-ERC-ITEA/DeflareMambav2.