去噪扩散融合网络

边缘完整度提升42.8%

利用图网络退化分析建模和多尺度小波域融合，在恶劣环境下显著提升语义分割的鲁棒性与安全性。

Fang, Aiqing · 李映 · Long, Jiang · Wang, Xiaodong · 郭阳明

Information Fusion 2025

参数信息

边缘完整度提升

42.8 %

空间频率提升

37.6 %

噪声伪影减少

39.8 %

技术优势

边缘更完整

多尺度小波域分解在不同尺度上捕捉结构信息，去噪扩散过程强化边缘细节，使分割边界更连续。

纹理保留更好

在小波域融合中保留高频子带，空间频率提升37.6%，细粒度纹理得以保留，减少过度平滑。

噪声伪影更少

通过去噪扩散优化的融合损失函数抑制退化伪影，噪声伪影减少39.8%，提升输出干净度。

应用场景

• 自动驾驶感知：在雨雪、眩光等恶劣环境下提供可靠分割，避免因退化导致的安全事故。
• 恶劣环境视觉：针对极端光照和噪声建模，提升感知系统在恶劣天气下的鲁棒性。
• 图像融合：用小波域融合替代传统像素级融合，保留更多纹理和边缘信息。
• 实时推理：该网络设计兼顾效率，可在车载计算平台上实时运行分割任务。