Hihaze：用于高分辨率真实场景图像去雾的单步扩散框架

基于摘要分析。该研究面向高分辨率真实场景图像去雾，针对空间非均匀雾和局部分块预测不一致的问题，提出单步扩散框架 Hihaze。其主要贡献是结合两类雾感知调制模块与无需训练的分块融合方法，兼顾局部退化处理、结构细节保留和分块外观一致性。 机制上，attentive skip compensation（ASC）选择性地将可靠编码器信息传递给变分自编码器（VAE）解码器，以保留结构细节并抑制受雾影响的特征；spatial degradation adapter（SDA）提取多尺度空间退化表示并注入 U-Net，使恢复过程适应局部雾分布。global-guided patch fusion（GPF）利用全局预测对齐各分块的外观、降低不可靠预测的权重，再进行结构引导的细节补偿。作者称，GPF 无需额外训练，也可作为其他去雾模型的即插即用模块。 作者报告，在四个真实场景基准上，Hihaze 的视觉质量与推理速度优于所比较方法；其中，相对各自最强对照基线，在 Dense-Haze 和 NH-HAZE 上的 PSNR 分别提高 3.62 dB 和 3.69 dB。摘要未列出具体基线名称、数据划分、评估分辨率、运行硬件与速度数值，因此这些提升仅能按摘要所述的各自基准背景理解，不能扩展为其他任务或协议下的结论。 材料提供了代码仓库地址，但实现内容及可复现性尚未核验。训练数据、预训练依赖、单步扩散的具体训练目标、模块消融及统计信息尚未验证。该研究的主要对象是自然图像去雾，摘要未建立其退化机制与 EEG/BCI 信号处理之间的具体对应关系，因此不据此提出已验证的迁移价值；相关 EEG 工作尚未检索确认。