Kontrastives Lernen für kompakte Einzelbild-Dämmung

Die Entnebelung einzelner Bilder stellt aufgrund der starken Informationsdegradation ein herausforderndes, schlecht gestelltes Problem dar. Bisherige tieflearnbasierte Entnebelungsverfahren nutzen lediglich klare Bilder als positive Beispiele, um das Training des Entnebelungsnetzwerks zu leiten, während negative Informationen ungenutzt bleiben. Zudem konzentrieren sich die meisten Ansätze darauf, das Netzwerk durch Erhöhung der Tiefe und Breite zu stärken, was erhebliche Anforderungen an Rechenleistung und Speicher capacity mit sich bringt. In diesem Artikel schlagen wir eine neuartige kontrastive Regularisierung (CR) vor, die auf dem Prinzip des kontrastiven Lernens basiert und sowohl die Informationen von nebeligen Bildern als auch von klaren Bildern als negative bzw. positive Beispiele nutzt. Die CR sorgt dafür, dass das rekonstruierte Bild im Repräsentationsraum näher an das klare Bild herangezogen und gleichzeitig weiter von dem nebeligen Bild entfernt wird. Darüber hinaus entwickeln wir unter Berücksichtigung des Kompromisses zwischen Leistungsfähigkeit und Speicherverbrauch ein kompaktes Entnebelungsnetzwerk auf Basis eines Autoencoder-ähnlichen (AE) Rahmens. Es umfasst eine adaptive Mixup-Operation und ein dynamisches Merkmalsverstärkungsmodul, die jeweils durch eine adaptiv bewahrte Informationsflussstruktur und eine erweiterte Empfindlichkeitsfeldgröße die Transformationsfähigkeit des Netzwerks verbessern. Wir bezeichnen unser Entnebelungsnetzwerk, das aus einem Autoencoder und der kontrastiven Regularisierung besteht, als AECR-Net. Umfangreiche Experimente auf synthetischen und realen Datensätzen zeigen, dass unser AECR-Net die derzeit besten Ansätze übertrifft. Der Quellcode ist unter https://github.com/GlassyWu/AECR-Net verfügbar.