通过 Multi-$τ$ Liquid-Mamba 学习自适应动态特征以实现一体化图像恢复

图像恢复旨在从退化的观测中恢复高质量图像。最近基于 Mamba 的图像恢复模型在建模具有线性复杂性的远程依赖性方面表现出了强大的潜力。然而，大多数现有设计仍然依赖于单一的状态演化时间尺度，这限制了它们在一体化图像恢复中对空间异构和任务相关的退化模式的适应性。在本文中，我们提出了 Multi-$τ$ Liquid-Mamba，这是一种自适应状态空间模块，它将输入条件多时间尺度液体离散化引入选择性状态空间建模中。该模块没有改变整体选择性扫描管道，而是调制多个动态分支的有效离散化步骤，并根据退化感知门权重自适应地融合它们的响应。这种设计允许模型捕获快速变化的局部细节和缓慢演变的全局结构，同时保留 Mamba 相对于序列长度的线性缩放特性。重要的是，Multi-$τ$ Liquid-Mamba 调节有效的过渡动态，同时保留原始选择性参数化和硬件高效选择性扫描机制，使其成为即插即用模块，可以无缝集成到现有的基于 Mamba 的架构中。在此框架的基础上，我们开发了一种多$τ$ Liquid-Mamba 图像恢复网络（MLMIR），用于一体化图像恢复。对各种恢复基准进行的大量实验表明，MLMIR 在一体化图像恢复方面始终保持最先进的性能，同时在任务对齐的恢复设置中保持高度竞争力。