CogSENet: Desenfoque ciego de imágenes con enrutamiento semántico condicionado por el desenfoque y fusión explícita de frecuencias

Resumen

La restauración de imágenes con desenfoque ciego requiere la recuperación de detalles de alta fidelidad y estructuras coherentes a partir de degradaciones complejas y desconocidas. Los métodos actuales de desenfoque ciego de imágenes tienen dificultades con degradaciones reales y espacialmente variables, y carecen de la conciencia semántica necesaria para diferenciar de manera confiable texturas válidas de artefactos. Para superar esta brecha, proponemos CogSENet, un marco de reconstrucción dinámico y alineado semánticamente inspirado en el sistema visual del águila. Al imitar el escaneo sacádico activo del águila, diseñamos un Módulo de Espacio de Estados Impulsado Semánticamente (SDSSM) con reagrupación de tokens con conciencia semántica mediante enrutamiento diferenciable, lo que permite un modelado de dependencias de largo alcance condicionado por indicaciones. Para garantizar una recuperación físicamente interpretable de texturas y estructuras, un Bloque de Fusión BiFrecuencia (BFFB) refleja la diferenciación funcional de la retina del águila al descomponer las características en altas y bajas frecuencias mediante transformadas wavelet. Finalmente, estimamos un Campo de Desenfoque Continuo (CBF) a partir de la imagen borrosa y lo fusionamos con prioridades semánticas de CLIP para modular las características latentes más profundas, emulando la adaptación focal y permitiendo una restauración adaptativa bajo desenfoque espacialmente no uniforme. Experimentos exhaustivos demuestran que CogSENet supera a los métodos de desenfoque de última generación tanto en calidad visual como en fidelidad estructural con menos parámetros, al mismo tiempo que se desempeña favorablemente en tareas de eliminación de niebla, lluvia y ruido.

English

Blind image deblurring demands the recovery of high-fidelity details and coherent structures from complex, unknown degradations. Current blind image deblurring methods struggle with real-world, spatially varying degradations, and lack the semantic awareness necessary to reliably differentiate valid textures from artifacts. To bridge this gap, we propose CogSENet, a dynamic, semantic-aligned reconstruction framework inspired by the eagle's visual system. By mimicking the eagle's active saccadic scanning, we devise a Semantic-Driven State Space Module (SDSSM) with semantic-aware token regrouping via differentiable routing, enabling prompt-conditioned long-range dependency modeling. To ensure physically interpretable recovery of textures and structures, a BiFreqFusionBlock (BFFB) mirrors functional differentiation of the eagle's retina by decomposing features into high and low frequencies using wavelet transforms. Finally, we estimate a continuous Blur Field (CBF) from blur image and fuse it with CLIP semantic priors to modulate the deepest latent features, emulating focal adaptation and enabling adaptive restoration under spatially non-uniform blur. Extensive experiments demonstrate that CogSENetoutperforms state-of-the-art deblurring methods in both visual quality and structural fidelity with fewer parameters, while also performing favorably on dehazing, deraining, and denoising tasks.