MFDNet: Multi-Frequency Deflare Network for Efficient Nighttime Flare Removal

当光线在镜头中意外散射或反射时，可能会在拍摄的照片中出现光斑伪影，影响照片的视觉质量。消除光斑的主要挑战是在保留图像原始内容的同时消除各种光斑伪影。为了解决这个挑战，我们提出了一种基于拉普拉斯金字塔的轻量级多频道消除光斑网络（MFDNet）。我们的网络将受光污染的图像分解为低频和高频带，有效地分离了图像中的照明和内容信息。低频部分通常包含照明信息，而高频部分包含详细的内容信息。因此，我们的MFDNet由两个主要模块组成：低频光斑感知模块（LFFPM）用于消除低频部分的光斑和分层融合重建模块（HFRM）用于重建无光斑的图像。具体而言，为了从全局角度感知光斑并在图像恢复时保留详细信息，LFFPM利用Transformer提取全局信息，同时利用卷积神经网络捕捉详细的局部特征。然后，HFRM通过特征聚合逐渐融合LFFPM的输出和图像的高频分量。此外，我们的MFDNet可以通过在多个频段处理而不是直接在输入图像上消除光斑来减少计算成本。实验结果表明，我们的方法在消除Flare7K数据集中的真实世界和合成图像的夜间光斑方面优于现有方法。此外，我们的模型的计算复杂度非常低。

论文旨在解决相机镜头光晕问题对图像质量的影响，提出了一种轻量级的基于拉普拉斯金字塔的多频率去光晕网络(MFDNet)。该网络能够有效地分离图像中的照明和内容信息，从而消除各种光晕伪影，同时保留图像的原始内容。

MFDNet采用拉普拉斯金字塔将图像分解成低频和高频部分，然后通过低频光晕感知模块(LFFPM)和分层融合重建模块(HFRM)分别处理。LFFPM利用Transformer提取全局信息，同时使用卷积神经网络捕捉局部特征，然后通过特征聚合逐步将LFFPM的输出与高频部分图像融合。与直接在输入图像上消除光晕相比，该方法在多个频率带上处理可以降低计算成本。

论文在Flare7K数据集上进行了实验，结果表明该方法在消除夜间光晕方面优于现有方法。此外，该网络的计算复杂度非常低。论文还开源了代码。

在这个领域中，还有一些相关的研究，如《End-to-End Deep Learning for Removing Rain in Image and Video》、《Single Image Haze Removal Using Dark Channel Prior》等。