ICML 2026奔向开放世界 让模型在退化的洪流里持续进化 Expandable · Compressible · MineableExpandable, Compressible, Mineable: Open-World Thermal Image Restoration可扩展、可压缩、可挖掘面向开放世界的热红外图像复原作者Pu Li, Huafeng Li*, Yafei Zhang, Wen Wang, Neng Dong, Jie Wen单位昆明理工大学 · 云南大学 · 哈尔滨工业大学深圳会议ICML 2026第 43 届国际机器学习大会持续学习热红外复原结构熵剪枝参数隔离代码https://github.com/Kust-lp/ECMRNet下载https://arxiv.org/abs/2605.16967第一部分 为什么需要它背景资料在真实的环境中热红外成像会退化源源不断地出现并且不断发展变化封闭集的老方法越来越难以实行论文中图1扩展、压缩、挖掘闭环示意图在开放世界里热红外(TIR)成像的退化会不断地出现并且不断地演化——传感器特性、环境温度、成像距离都会产生新的退化类型。但是目前所有的 all-in-one 复原方法都依赖于封闭集假设用一个共享参数来覆盖已知退化一旦分布漂移或者新的退化出现更新共享主干就会引起干扰和梯度冲突造成灾难性的遗忘而重新训练又很昂贵。于是主要问题就出现了怎样在没有干扰的情况下一直适应新的退化而又不使模型无限增大。正则化类保护重要的旧参数在退化差异很大、冲突很强的时候容易失效扩展类冻结旧参数、添加新的分支来防止干扰但是模型规模会呈线性增长隔离类冻结一部分网络来留出空间但是受到固定容量预算的限制第二部分 一句话核心思路主要观点把持续退化的学习统一为一个扩展、压缩、挖掘闭环新的退化出现就会扩大独立容量当容量冗余的时候就会用结构熵来压缩复合退化的时候再从历史知识中寻找可以迁移的部分。三步分别落在三个模块上面分别是SCGE分阶段通道组扩展、SEP结构熵剪枝、SKMM子退化知识挖掘。然后把它们分开来。论文中图2(ECMRNet整体结构图)第三部分 三个关键模块Method01分阶段通道组扩展SCGE分阶段增加通道组ECMRNet 用U-Net作为主干在每一层只在首尾使用标准卷积进行少量组间融合在中间堆叠组残差块把特征切分到相互独立的通道组中。新的退化出现的时候SCGE会冻结历史组在每一个阶段都增加新的组来为新的退化开辟出独立的空间。看点组卷积不存在跨组路径只要冻结历史参数就可以达到严格的梯度隔离从根本上防止干扰和遗忘——新的退化可以很快地适应而旧的能力不会受到任何影响。02结构熵剪枝SEP结构熵剪枝不断扩大就会使模型变大新的组之间还会存在功能重复、冗余的情况。SEP 在每一个任务训练之后使用二维结构熵最小化来评价每一个通道组的作用可以被替代的组删除之后不会造成明显的编码成本上升则被删除。看点参数和计算量分别下降了29.5%和24.9%但是PSNR/SSIM并没有太大变化使得模型的增长可以被控制住并且是可以解释的。03子退化知识挖掘SKMM子退化知识挖掘真实的TIR退化通常是复合的形式很多子退化是非线性地相互作用在一起。SKMM 把历史子退化表示看作可以检索的知识库用样本自适应的方式进行低秩通道混合动态地发现并重组可以迁移的部分然后把它们作为补偿残差加入到复合分支中去。看点它并不认为所有的历史知识都应该被复用而是只把其中可以迁移的部分注入进去并且以较低的成本来提高复合退化恢复稳定性和泛化性。第四部分 实验结果Results作者在 HM-TIR和M3FD 上建立了七个增量退化任务低对比度、模糊、噪声三种单独退化以及四种复合退化并且在 EN/TIR100/AWMM 三个真实的数据库上进行泛化验证。从整体上看ECMRNet 在各个任务中都表现得比较稳定在PSNR和SSIM上分别提高了1.61dB和0.01并且参数更少、计算量更小。单退化的时候只激活2.95M-3.22M的参数复合退化的时候才会根据需要去激活历史分支。论文 Figure 3/4 Table 1/2定量比较或者可视化比较消融实验三个模块各负其责SCGE去掉之后PSNR/SSIM下降很多4.15dB/0.056这是持续适应能力的基础SEP 基本不变0.15dB/0.001的情况下大幅度降低成本剪枝之后微调可以在前三个epoch恢复到90%左右的性能SKMM复合退化平均 PSNR/SSIM 提升了 0.92dB 和 0.013但是只在复合退化的时候才会被激活论文Figure 5/6 Table 3第五部分 一句话总结结束语ECMRNet 把开放世界中TIR恢复的过程由“静态参数堆砌”变成了结构受到限制的不断进化扩展保证无干扰适应、压缩保证规模可控、挖掘保证复合退化的知识复用。这是第一次对开放世界的热红外复原进行系统的研究。请关注多模态信息融合~获取最新咨询往期推荐
ICML 2026奔向开放世界 让模型在退化的洪流里持续进化 Expandable · Compressible · MineableExpandable, Compressible, Mineable: Open-World Thermal Image Restoration可扩展、可压缩、可挖掘面向开放世界的热红外图像复原作者Pu Li, Huafeng Li*, Yafei Zhang, Wen Wang, Neng Dong, Jie Wen单位昆明理工大学 · 云南大学 · 哈尔滨工业大学深圳会议ICML 2026第 43 届国际机器学习大会持续学习热红外复原结构熵剪枝参数隔离代码https://github.com/Kust-lp/ECMRNet下载https://arxiv.org/abs/2605.16967第一部分 为什么需要它背景资料在真实的环境中热红外成像会退化源源不断地出现并且不断发展变化封闭集的老方法越来越难以实行论文中图1扩展、压缩、挖掘闭环示意图在开放世界里热红外(TIR)成像的退化会不断地出现并且不断地演化——传感器特性、环境温度、成像距离都会产生新的退化类型。但是目前所有的 all-in-one 复原方法都依赖于封闭集假设用一个共享参数来覆盖已知退化一旦分布漂移或者新的退化出现更新共享主干就会引起干扰和梯度冲突造成灾难性的遗忘而重新训练又很昂贵。于是主要问题就出现了怎样在没有干扰的情况下一直适应新的退化而又不使模型无限增大。正则化类保护重要的旧参数在退化差异很大、冲突很强的时候容易失效扩展类冻结旧参数、添加新的分支来防止干扰但是模型规模会呈线性增长隔离类冻结一部分网络来留出空间但是受到固定容量预算的限制第二部分 一句话核心思路主要观点把持续退化的学习统一为一个扩展、压缩、挖掘闭环新的退化出现就会扩大独立容量当容量冗余的时候就会用结构熵来压缩复合退化的时候再从历史知识中寻找可以迁移的部分。三步分别落在三个模块上面分别是SCGE分阶段通道组扩展、SEP结构熵剪枝、SKMM子退化知识挖掘。然后把它们分开来。论文中图2(ECMRNet整体结构图)第三部分 三个关键模块Method01分阶段通道组扩展SCGE分阶段增加通道组ECMRNet 用U-Net作为主干在每一层只在首尾使用标准卷积进行少量组间融合在中间堆叠组残差块把特征切分到相互独立的通道组中。新的退化出现的时候SCGE会冻结历史组在每一个阶段都增加新的组来为新的退化开辟出独立的空间。看点组卷积不存在跨组路径只要冻结历史参数就可以达到严格的梯度隔离从根本上防止干扰和遗忘——新的退化可以很快地适应而旧的能力不会受到任何影响。02结构熵剪枝SEP结构熵剪枝不断扩大就会使模型变大新的组之间还会存在功能重复、冗余的情况。SEP 在每一个任务训练之后使用二维结构熵最小化来评价每一个通道组的作用可以被替代的组删除之后不会造成明显的编码成本上升则被删除。看点参数和计算量分别下降了29.5%和24.9%但是PSNR/SSIM并没有太大变化使得模型的增长可以被控制住并且是可以解释的。03子退化知识挖掘SKMM子退化知识挖掘真实的TIR退化通常是复合的形式很多子退化是非线性地相互作用在一起。SKMM 把历史子退化表示看作可以检索的知识库用样本自适应的方式进行低秩通道混合动态地发现并重组可以迁移的部分然后把它们作为补偿残差加入到复合分支中去。看点它并不认为所有的历史知识都应该被复用而是只把其中可以迁移的部分注入进去并且以较低的成本来提高复合退化恢复稳定性和泛化性。第四部分 实验结果Results作者在 HM-TIR和M3FD 上建立了七个增量退化任务低对比度、模糊、噪声三种单独退化以及四种复合退化并且在 EN/TIR100/AWMM 三个真实的数据库上进行泛化验证。从整体上看ECMRNet 在各个任务中都表现得比较稳定在PSNR和SSIM上分别提高了1.61dB和0.01并且参数更少、计算量更小。单退化的时候只激活2.95M-3.22M的参数复合退化的时候才会根据需要去激活历史分支。论文 Figure 3/4 Table 1/2定量比较或者可视化比较消融实验三个模块各负其责SCGE去掉之后PSNR/SSIM下降很多4.15dB/0.056这是持续适应能力的基础SEP 基本不变0.15dB/0.001的情况下大幅度降低成本剪枝之后微调可以在前三个epoch恢复到90%左右的性能SKMM复合退化平均 PSNR/SSIM 提升了 0.92dB 和 0.013但是只在复合退化的时候才会被激活论文Figure 5/6 Table 3第五部分 一句话总结结束语ECMRNet 把开放世界中TIR恢复的过程由“静态参数堆砌”变成了结构受到限制的不断进化扩展保证无干扰适应、压缩保证规模可控、挖掘保证复合退化的知识复用。这是第一次对开放世界的热红外复原进行系统的研究。请关注多模态信息融合~获取最新咨询往期推荐
