6thGrid-Net: Unified Remote Sensing Image Dehazing Based on Color Restoration and Edge-Preserving
作者：Runci Bai, Kui Jiang, Xiang Chen 等 7 人
单位：Nanjing University of Science and Technology, National University of Defense Technology, Shandong Normal University, Qilu University of Technology, Harbin Institute of Technology
发布时间：2026-04-27
链接：https://arxiv.org/pdf/2604.24149v1
摘要
遥感图像常常受到不良天气条件的影响，尤其是云和雾霾，这严重损害了下游应用。现有的恢复方法通常依赖计算量大的架构或顺序流程（例如，细节增强后跟色彩还原），这些方法容易受到相互干扰和伪影累积的影响。此外，最近的统一网格基础方法使用固定的各向同性插值核，忽视了自然图像的内在低维流形，必然导致边缘模糊。为了解决这些局限性，我们提出了第六网格网络（6th Grid-Net），这是一个高度高效且统一的遥感图像恢复框架，专为资源受限的边缘设备量身定制。具体而言，我们构建了一种新颖的六维融合张量，能够无缝整合三维查找表（3D LUT）的色彩还原能力与双边网格的空间-亮度细节保留能力。为了克服标准三线性插值的缺点，我们引入了一种流形自适应高维采样机制。该机制根据局部边缘方向、纹理强度和颜色相似性动态调整插值核，从而实现全局色彩风格化和局部边缘细化的单次前向推理。此外，我们还引入了边缘感知网格平滑约束和动态量化，以抑制鬼影伪影并显著压缩模型大小。在多个基准数据集上的广泛实验表明，第六网格网络在各种退化场景下实现了最先进的恢复质量。
引言
引言部分指出，遥感图像常因云和霾等恶劣天气条件而退化，现有修复方法存在计算量大、串行处理流程（如先增强细节后恢复色彩）导致相互干扰和伪影累积等问题。为了解决这些限制，本文提出了一种名为6thGrid-Net的高效、统一的遥感图像修复框架，特别适用于资源受限的边缘设备。
▪核心思想: 提出构建一个新颖的六维融合张量，该张量无缝集成了3D查找表（LUT）的色彩渲染能力和双边网格（Bilateral Grid）的空间-亮度细节保持能力，从而在一个统一框架内协同处理色彩和细节。
▪关键创新: 引入了一种流形自适应高维采样机制，以取代传统的固定三线性插值。该机制能根据局部边缘方向、纹理强度和颜色相似性动态调整插值核，从而在单次前向传播中同时实现全局色彩风格化和局部边缘锐化。
▪模型优化: 结合了边缘感知网格平滑约束和动态量化技术，有效抑制了鬼影伪影，并显著压缩了模型大小，使其轻量化并适合移动端部署。
相关工作
本部分回顾了遥感图像修复领域的最新进展，主要分为判别式方法和生成式方法，并探讨了用于多重退化修复的统一框架。现有方法在处理复杂多样的退化问题时，常面临性能、效率和泛化能力之间的权衡。
▪遥感图像修复方法: 主要分为两大类。判别式方法（如状态空间模型SSM和对抗网络GAN）直接学习从退化图像到清晰图像的映射；生成式方法（如扩散模型）则通过迭代去噪过程来恢复图像。这些方法各有优劣，例如GAN训练不稳定，而扩散模型推理速度慢。
▪多退化统一修复框架: 现有统一框架通常采用三种策略：退化感知提示（通过提示引导修复）、高容量网络架构（使用强大的主干网络如Transformer）和生成式建模。这些方法虽然功能强大，但往往计算成本高昂，或在面对未知退化时泛化能力不足。
▪现有方法的局限性: 现有统一框架普遍存在的问题是，它们通常将色彩恢复与细节增强纠缠在一起，而没有明确地对它们的交互进行建模，导致在色彩保真度和结构清晰度之间难以取得最佳平衡，这也是本文旨在解决的关键瓶颈。
方法
本部分详细阐述了6thGrid-Net的架构和工作原理。该方法通过一个端到端的流程，将全局色彩映射和局部细节增强集成到一个六维张量中，并通过一种新颖的采样机制实现协同优化。
▪双边网格权重生成: 使用一个轻量级的U-Net，根据输入图像预测一个双边网格权重（W）。这个权重网格控制着在最终融合阶段，每个空间位置和亮度级别的局部细节保留程度。
▪六维融合张量构建: 构建一个包含空间坐标（X, Y）、亮度（L）和RGB颜色（R, G, B）六个维度的融合张量（T）。该张量在每个网格节点上，根据学习到的权重W，融合了全局3D LUT的色彩映射结果和原始图像的像素信息。
▪流形自适应高维采样: 这是方法的核心。它取代了固定的插值核，通过估计局部切线空间、自适应选择邻域点和计算流形权重，动态调整采样过程。该机制沿着边缘方向拉伸采样核以保持连续性，同时抑制跨边缘的采样，从而在锐化边缘的同时避免了伪影。
▪损失函数与正则化: 采用一个复合损失函数进行端到端训练，包括L1损失、感知损失、LAB色彩损失，以及一个关键的边缘感知总变分（TV）正则化损失。该TV损失确保了权重网格在平滑区域的平滑性，同时允许在图像边缘处发生急剧变化，有效抑制了噪声和块状伪影。
实验
本部分通过在多个基准数据集上的大量实验，全面评估了6thGrid-Net的性能。实验结果证明了该方法在图像修复质量、效率和泛化能力方面的优越性。
▪数据集与评估指标: 在一个由SateHazelK（去霾）和RICE（去云）组成的统一遥感数据集上进行评估，并使用ViCoW（灰度图上色）数据集验证其泛化能力。评估指标包括PSNR、SSIM、LPIPS（衡量质量）以及参数量、FLOPs、模型大小和FPS（衡量效率）。
▪与SOTA方法对比: 在统一遥感数据集上，6thGrid-Net在PSNR和SSIM等关键指标上均取得了最佳性能，优于包括扩散模型和Transformer模型在内的多种先进方法。定性结果显示，该方法能生成更清晰的纹理、更真实的色彩和更少的伪影。
▪泛化能力与效率: 在ViCoW数据集上的灰度图像上色任务中，6thGrid-Net同样表现出色，证明了其框架具有强大的泛化能力。此外，量化后的模型在保持高质量的同时，能在移动设备上达到70.8 FPS的实时处理速度，展示了其在边缘部署方面的巨大潜力。
▪消融研究: 通过移除或替换关键组件（如流形自适应采样、边缘感知TV正则化等）进行消融实验，结果证实了每个组件对最终性能的积极贡献，其中双边网格权重机制被证明是最关键的部分。
结论
本文成功提出了6thGrid-Net，一个创新的统一遥感图像去雾框架。该框架通过将基于LUT的色彩渲染和基于双边网格的边缘保持功能集成到一个紧凑的六维融合张量中，并采用一种尊重局部图像结构的流形自适应高维采样机制，实现了在单次前向传播中同时进行全局色彩风格化和局部细节增强。这种设计有效避免了传统串行流程中的计算冗余和特征损失。实验证明，该方法在多个基准测试中优于现有技术，并且在灰度图像上色任务中展现出强大的泛化能力。此外，通过边缘感知正则化和动态量化，模型在保持高精度的同时实现了轻量化，能够在移动设备上进行实时处理，证实了其在资源受限的边缘平台上的适用性。未来的工作将探索自适应网格剪枝等策略，以进一步降低模型在处理超高分辨率图像时的内存和计算开销。
