融合特征增强与轻量级注意力的事件去模糊

针对单帧图像去模糊固有的不适定性，以及现有扩散模型推理延迟高、状态空间模型跨模态交互不足的问题，本文提出一种端到端的事件融合多头注意力网络EFMAN，利用事件相机的高频时空先验实现高质量复原。首先，构建跨模态自适应注意力机制，将异步高频事件流与同步RGB特征进行时空维度精确配准，弥补曝光空缺。接着，针对传感器固有噪声干扰，设计特征增强注意力模块FEA，通过全局上下文建模强化特征抗噪鲁棒性。然后，引入轻量级通道-空间注意力模块LCSA，在降低计算冗余的同时完成特征响应自适应权重校准。最后，构建涵盖像素、特征及梯度域的多维联合损失，协同优化多尺度约束以保证微观纹理与全局结构一致。实验表明，该方法在保持高效推理的同时显著提升性能。相比基线，在GoPro数据集上PSNR和SSIM提升1.19 dB和0.005；在REBlur上提升0.38 dB和0.003，已达先进水平。EFMAN有效解决了多模态对齐与噪声干扰问题，在质量与效率间取得平衡，适用于高动态及剧烈运动场景下的清晰图像重建。