Learning Adaptive Dynamical Features via Multi-$τ$ Liquid-Mamba for All-in-one Image Restoration

📄 arXiv: 2606.22801v1 📥 PDF

作者: Hu Gao, Changshuo Wang, Yulong Chen, Lizhuang Ma

分类: cs.CV

发布日期: 2026-06-22

💡 一句话要点

提出Multi-$τ$ Liquid-Mamba以解决图像恢复中的适应性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 图像恢复 多时间尺度 自适应模块 Mamba架构 计算机视觉 深度学习

📋 核心要点

  1. 现有的图像恢复方法大多依赖单一的状态演化时间尺度，限制了其对复杂退化模式的适应能力。
  2. 本文提出Multi-$τ$ Liquid-Mamba模块，通过多时间尺度的液体离散化来增强模型的适应性，能够有效捕捉不同层次的图像特征。
  3. 实验结果表明，MLMIR在一体化图像恢复任务中表现出色，持续达到最先进的性能，且在任务对齐的恢复设置中也保持竞争力。

📝 摘要（中文）

图像恢复旨在从退化的观测中恢复高质量图像。近期基于Mamba的图像恢复模型在建模长距离依赖性方面展现出强大的潜力。然而，大多数现有设计仍依赖于单一的状态演化时间尺度，这限制了其对空间异质性和任务依赖性退化模式的适应能力。本文提出了Multi-$τ$ Liquid-Mamba，一种自适应状态空间模块，通过输入条件的多时间尺度液体离散化引入选择性状态空间建模。该模块调节多个动态分支的有效离散化步骤，并根据退化感知的门控权重自适应融合其响应。这一设计使模型能够捕捉快速变化的局部细节和缓慢演变的全局结构，同时保持Mamba在序列长度上的线性扩展特性。基于此框架，我们开发了Multi-$τ$ Liquid-Mamba图像恢复网络（MLMIR），在多种恢复基准上进行的广泛实验表明，MLMIR在一体化图像恢复中始终实现了最先进的性能。

🔬 方法详解

问题定义：本文旨在解决图像恢复中对空间异质性和任务依赖性退化模式适应不足的问题。现有方法通常依赖单一的状态演化时间尺度，导致在复杂场景下性能欠佳。

核心思路：提出Multi-$τ$ Liquid-Mamba模块，通过引入输入条件的多时间尺度液体离散化，增强模型对不同退化模式的适应性。该设计允许模型在不改变整体选择性扫描流程的情况下，调节多个动态分支的有效离散化步骤。

技术框架：整体架构包括Multi-$τ$ Liquid-Mamba模块，该模块通过退化感知的门控权重自适应融合多个动态分支的响应。模型能够同时捕捉快速变化的局部细节和缓慢演变的全局结构。

关键创新：Multi-$τ$ Liquid-Mamba的主要创新在于其自适应状态空间模块设计，能够在保持Mamba线性扩展特性的同时，调节有效的转移动态。这一设计使其成为可无缝集成到现有Mamba架构中的插拔式模块。

关键设计：模型的关键设计包括多时间尺度的液体离散化、退化感知的门控机制，以及保持原有选择性参数化和硬件高效选择性扫描机制的能力。这些设计确保了模型在多种图像恢复任务中的高效性和灵活性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在广泛的恢复基准测试中，MLMIR在一体化图像恢复任务中持续实现最先进的性能，相较于现有基线，性能提升显著，具体数据未提供，但实验结果表明其在任务对齐恢复设置中也表现出色。

🎯 应用场景

该研究的潜在应用领域包括图像处理、计算机视觉和机器人视觉等。通过提升图像恢复的适应性，Multi-$τ$ Liquid-Mamba能够在多种实际场景中提供高质量的图像恢复效果，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Image restoration aims to recover high-quality images from degraded observations. Recent Mamba-based image restoration models have demonstrated strong potential in modeling long-range dependencies with linear complexity. However, most existing designs still rely on a single state-evolution timescale, which limits their adaptability to spatially heterogeneous and task-dependent degradation patterns in all-in-one image restoration. In this paper, we propose Multi-$τ$ Liquid-Mamba, an adaptive state space module that introduces input-conditioned multi-timescale liquid discretization into selective state space modeling. Instead of changing the overall selective scan pipeline, the proposed module modulates the effective discretization steps of multiple dynamical branches and adaptively fuses their responses according to degradation-aware gating weights. This design allows the model to capture both fast-varying local details and slowly evolving global structures while preserving the linear scaling property of Mamba with respect to sequence length. Importantly, Multi-$τ$ Liquid-Mamba modulates the effective transition dynamics while preserving the original selective parameterization and hardware-efficient selective scan mechanism, making it a plug-and-play module that can be seamlessly integrated into existing Mamba-based architectures. Built upon this framework, we develop a Multi-$τ$ Liquid-Mamba Image Restoration Network (MLMIR) for all-in-one image restoration. Extensive experiments on a wide range of restoration benchmarks demonstrate that MLMIR consistently achieves state-of-the-art performance in all-in-one image restoration while remaining highly competitive in task-aligned restoration settings.