A due voci: un duetto di periodicità e direzionalità per la rimozione del flicker a raffica

It Takes Two: A Duet of Periodicity and Directionality for Burst Flicker Removal

March 24, 2026

Autori: Lishen Qu, Shihao Zhou, Jie Liang, Hui Zeng, Lei Zhang, Jufeng Yang

cs.AI

Abstract

Gli artefatti di flicker, derivanti da un'illuminazione instabile e da incoerenze nell'esposizione riga per riga, rappresentano una sfida significativa nella fotografia a breve esposizione, degradando gravemente la qualità dell'immagine. A differenza di artefatti tipici, come il rumore e la scarsa illuminazione, il flicker è un degrado strutturato con specifici pattern spazio-temporali, che non sono considerati negli attuali framework di restauro generici, portando a una soppressione subottimale del flicker e ad artefatti di ghosting. In questo lavoro, riveliamo che gli artefatti di flicker presentano due caratteristiche intrinseche, periodicità e direzionalità, e proponiamo Flickerformer, un'architettura basata su transformer che rimuove efficacemente il flicker senza introdurre ghosting. Nello specifico, Flickerformer comprende tre componenti chiave: un modulo di fusione basato sulla fase (PFM), una rete feed-forward di autocorrelazione (AFFN) e un modulo di attenzione direzionale basato su wavelet (WDAM). Basandosi sulla periodicità, il PFM esegue una correlazione di fase inter-frame per aggregare in modo adattivo le caratteristiche del burst, mentre l'AFFN sfrutta le regolarità strutturali intra-frame attraverso l'autocorrelazione, migliorando congiuntamente la capacità della rete di percepire pattern ricorrenti spazialmente. Inoltre, motivati dalla direzionalità degli artefatti di flicker, il WDAM sfrutta le variazioni in alta frequenza nel dominio wavelet per guidare il restauro delle regioni scure in bassa frequenza, producendo una localizzazione precisa degli artefatti di flicker. Esperimenti approfonditi dimostrano che Flickerformer supera gli approcci allo stato dell'arte sia nelle metriche quantitative che nella qualità visiva. Il codice sorgente è disponibile all'indirizzo https://github.com/qulishen/Flickerformer.

English

Flicker artifacts, arising from unstable illumination and row-wise exposure inconsistencies, pose a significant challenge in short-exposure photography, severely degrading image quality. Unlike typical artifacts, e.g., noise and low-light, flicker is a structured degradation with specific spatial-temporal patterns, which are not accounted for in current generic restoration frameworks, leading to suboptimal flicker suppression and ghosting artifacts. In this work, we reveal that flicker artifacts exhibit two intrinsic characteristics, periodicity and directionality, and propose Flickerformer, a transformer-based architecture that effectively removes flicker without introducing ghosting. Specifically, Flickerformer comprises three key components: a phase-based fusion module (PFM), an autocorrelation feed-forward network (AFFN), and a wavelet-based directional attention module (WDAM). Based on the periodicity, PFM performs inter-frame phase correlation to adaptively aggregate burst features, while AFFN exploits intra-frame structural regularities through autocorrelation, jointly enhancing the network's ability to perceive spatially recurring patterns. Moreover, motivated by the directionality of flicker artifacts, WDAM leverages high-frequency variations in the wavelet domain to guide the restoration of low-frequency dark regions, yielding precise localization of flicker artifacts. Extensive experiments demonstrate that Flickerformer outperforms state-of-the-art approaches in both quantitative metrics and visual quality. The source code is available at https://github.com/qulishen/Flickerformer.