近日，课题组的论文“SemiDDM-Weather: A Semi-supervised Learning Framework for All-in-one Adverse Weather Removal”被中科院二区TOP期刊《Neural Networks》接收。

        针对雨、雪、雾、低光等多种恶劣天气导致的视觉退化问题，课题组提出了一种基于扩散模型的 半监督统一学习框架 SemiDDM-Weather，能够在单一模型中实现多种天气退化的一体化去除。该方法采用 教师–学生式半监督结构，并以 小波扩散主干网络（Wavelet Diffusion Backbone） 为核心，融合多尺度的纹理与结构特征。为了充分利用未标注样本，提出了 动态伪标签优化策略（Dynamic Pseudo-label Refinement），在训练过程中自适应地更新教师模型生成的伪标签，从而提升特征一致性与模型的泛化能力。

        在主干网络的设计上，我们选用了当前先进的小波扩散模型 WaveDiff，并对其输入形式和损失函数进行了定制，以适应多种天气退化向单一清晰图像的 多对一映射学习。

        为了有效利用大量无标签数据，我们构建了一个 可靠“伪标签”库（Reliable Bank），并在教师网络输出的结果中加入 质量评估与内容一致性约束，筛选出当前最优伪标签，用以指导学生网络的训练。该策略有效缓解了伪标签错误可能对模型训练造成的误导。

　　通过联合优化监督损失与自监督损失，SemiDDM-Weather 在多种合成及真实天气退化数据集上取得了优于全监督对手的方法，在视觉质量与恢复效果方面均表现突出。

       该工作得到了国家自然科学基金(62202507、62272116、62302110、62025604)、广东省自然科学基金（2025A1515012830、2022A1515011209、2024A1515011996、2025A1515012807）、福建省自然科学基金（2024J01098）等的资助。

论文信息：

       本工作已在Neural Networks上正式发表 ，作者是广州大学的龙芳，苏文康，李子轩，李明杰，王员根，华侨大学的蔡磊以及中山大学的操晓春。