CogSENet: Blinde beelddeblurring met vervagingsgeconditioneerde semantische routering en expliciete frequentiefusie

Samenvatting

Blinde beeldontscherping vereist het herstel van getrouwe details en coherente structuren uit complexe, onbekende degradaties. Huidige methoden voor blinde beeldontscherping worstelen met realistische, ruimtelijk variërende degradaties en missen het semantische bewustzijn dat nodig is om betrouwbaar onderscheid te maken tussen geldige texturen en artefacten. Om deze kloof te overbruggen, stellen we CogSENet voor, een dynamisch, semantisch afgestemd reconstructieframework dat is geïnspireerd op het visuele systeem van de adelaar. Door de actieve saccadische scanning van de adelaar na te bootsen, ontwikkelen we een Semantic-Driven State Space Module (SDSSM) met semantisch bewuste tokenhergroepering via differentieerbare routering, wat prompt-geconditioneerde modellering van langeafstandsafhankelijkheden mogelijk maakt. Om fysiek interpreteerbaar herstel van texturen en structuren te garanderen, weerspiegelt een BiFreqFusionBlock (BFFB) de functionele differentiatie van de adelaarsretina door kenmerken met behulp van wavelet-transformaties in hoge en lage frequenties te ontbinden. Tot slot schatten we een continu vervagingsveld (Blur Field, CBF) uit een vervaagde afbeelding en versmelten we dit met CLIP-semantische voorkennis om de diepste latente kenmerken te moduleren, wat focale adaptatie emuleert en adaptief herstel mogelijk maakt onder ruimtelijk niet-uniforme vervaging. Uitgebreide experimenten tonen aan dat CogSENet de nieuwste ontscherpingsmethoden overtreft, zowel in visuele kwaliteit als structurele getrouwheid, met minder parameters, terwijl het ook gunstig presteert bij taken zoals ontnevelen, ontregenen en ruisonderdrukking.

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.