给去雨模型加个AI医生，告别一刀切修复

你有没有过这种经历：用手机拍了张雨天的街景，打开修图软件的“去雨”功能，结果雨痕是没了，可天空糊得像蒙了层纱，路边招牌的字也跟着虚了，连街灯的暖光都变成了诡异的冷蓝。这不是你手机的问题，也不是修图软件没用——而是所有传统去雨模型都带着一个“祖传毛病”：对所有照片都用同一套固定流程处理，管你是毛毛细雨还是暴雨倾盆，管你是暗巷还是晴天里的零星雨丝，全是“一刀切”。直到哈尔滨工业大学等团队推出的Derain-Agent出现，这个困局才终于有了破局的可能。

从“一刀切”到“看单抓药”的AI医生

你可以把传统去雨模型想象成只会开一种药方的庸医：不管病人是感冒发烧还是肠胃不适，全塞同一种药。而Derain-Agent就是那个能精准问诊的全科医生——它不替换原来的去雨模型，而是等“庸医”开完药（完成初步去雨）后，接手做“术后调理”。

它的工作流程分三步：先“诊断”，用ResNet34特征提取器扫描初步去雨后的图片，找出残留的问题——是天空的噪点，还是建筑边缘的模糊，或是整体的色彩偏差；再“开药方”，从预存的工具库（降噪的SCUNet、去模糊的Restormer、调色的WB LUTs）里，选出最优的工具使用顺序，比如先降噪再锐化最后调色；最后“精准施药”，给每个工具生成一张和图片一样大的“强度图”，像素值从0到1，比如天空噪点多的地方降噪强度拉满到1，人物面部细节处锐化强度调到0.3，避免磨掉皮肤纹理。

这个过程里最关键的是“空间强度调制”机制——它不是直接用工具处理后的图片替换原图，而是计算原图和处理后图片的差异，再用强度图给差异做像素级加权，最后加回原图。就像给脸上长痘的地方涂浓一点的药膏，没痘的地方只抹一层轻薄的乳液，既解决问题又不破坏原本的好皮肤。

两阶段训练：先学开药方再学控药量

要让这个AI医生真的会看病，团队用了一套聪明的两阶段训练法——先解决“开什么药方”的问题，再解决“用多少药量”的问题。

第一阶段，训练工具调度器：给模型喂大量初步去雨后的图片，以及对应的最优工具序列（这些序列是提前通过穷举搜索得到的“标准答案”），用交叉熵损失让模型学会“看照片选药方”。这一步就像让医学生背熟各种病症对应的用药方案，先建立起基本的诊断逻辑。

第二阶段，训练强度调制器：把第一阶段学好的调度器和特征提取器“冻结”，只让模型学怎么根据药方配药量。用L1损失和结构相似性损失来监督，让模型学会给不同区域分配不同的工具强度。这一步相当于让已经会开药方的医生，再学怎么根据病人的体重、病情轻重调整药量，做到精准治疗。

这种分阶段训练的好处很明显：避免了离散的路径选择和连续的强度预测互相干扰，模型学起来更快更稳。测试数据也证明了这一点——在真实雨天数据集LHP-Rain上，给不同的基础去雨模型配上Derain-Agent后，峰值信噪比平均提升了0.81到1.19dB，相当于把模糊的照片拉清晰了一个档次，而且计算量只增加了3.5%，几乎不影响处理速度。

不止修图，更给下游任务“开天眼”

Derain-Agent的价值不止于让照片更好看——它还能给依赖清晰图像的下游任务“开天眼”。比如在自动驾驶的雨天场景里，基础去雨模型处理后的图片可能还残留着模糊和噪点，导致YOLOv8目标检测模型漏检行人和路标。但经过Derain-Agent增强后的图片，物体边界更清晰，噪点被彻底清除，YOLOv8的漏检率明显降低，分割出的物体掩码也更精准。

当然，它也有自己的局限：比如工具库的丰富度直接决定了它的能力边界，如果遇到没见过的复杂退化，比如雨加雪加雾的极端天气，现有的三个工具可能就不够用；而且离线穷举最优路径的方法，在工具库扩大后会面临路径爆炸的问题，得找更高效的搜索策略。但这些问题都挡不住它的创新意义——它第一次把智能体的“诊断-规划-执行”逻辑引入低层视觉任务，给所有“一刀切”的图像修复模型指了条明路：与其重新造一个完美的模型，不如给现有的模型加个聪明的“辅助医生”。

从只会“一刀切”的固定流程，到能“看单抓药”的智能调理，Derain-Agent的出现，其实是AI视觉领域一个更宏大趋势的缩影：我们不再追求用一个超级模型解决所有问题，而是开始用模块化的智能体，让不同的模型各司其职，协同完成复杂任务。

这就像一个医院的团队：专科医生负责解决核心病症，全科医生负责术后调理，护士负责精准给药——每个环节都专业，最终的效果自然比一个全能医生单打独斗好得多。好的AI，不是无所不能，而是懂得协同。 未来的图像修复，甚至整个AI视觉领域，都会朝着这个方向走：用更细分的智能体，搭起更灵活的协作网络，让AI真正学会“理解”复杂的真实世界。