Wahrnehmen und Modellieren von Dichte ist alles, was Sie für die Bildentnebelung benötigen

In der realen Welt kann die Degradation von Bildern, die unter Nebelbedingungen aufgenommen wurden, äußerst komplex sein, wobei die räumliche Verteilung des Nebels von Bild zu Bild stark variiert. Kürzlich vorgestellte Methoden nutzen tiefe neuronale Netze, um saubere Szenen direkt aus nebelbelasteten Bildern zu rekonstruieren. Aufgrund des Paradoxons, das durch die Vielfalt der tatsächlich aufgenommenen Nebelverhältnisse und die festen Degradationsparameter der derzeitigen Netzwerke entsteht, ist die Generalisierungsfähigkeit dieser dehazing-Methoden auf realweltliche nebelbehaftete Bilder jedoch nicht zufriedenstellend. Um das Problem der Modellierung realwelttypischer Nebel-Degradation anzugehen, schlagen wir vor, die ungleichmäßige Verteilung des Nebels durch Wahrnehmung und Modellierung der Nebeldichte zu erfassen. Hierzu präsentieren wir ein neuartiges separierbares hybrides Aufmerksamkeitsmodul (Separable Hybrid Attention, SHA), das die Nebeldichte durch die Erfassung von Merkmalen in orthogonalen Richtungen effizient kodiert. Darüber hinaus wird eine Dichtekarte eingeführt, um die ungleichmäßige Verteilung des Nebels explizit zu modellieren. Die Dichtekarte generiert dabei eine Positionscodierung auf semi-supervisierter Basis. Diese Art der Wahrnehmung und Modellierung der Nebeldichte erfasst die ungleichmäßige Degradation auf Merkmalsbasis effektiv. Durch eine geeignete Kombination von SHA und Dichtekarte entwerfen wir eine neuartige Architektur für ein Dehazing-Netzwerk, die ein gutes Verhältnis zwischen Komplexität und Leistung erzielt. Umfangreiche Experimente an zwei großen Datensätzen zeigen, dass unsere Methode alle aktuellen State-of-the-Art-Ansätze deutlich übertrifft, sowohl quantitativ als auch qualitativ. Dabei steigert unsere Methode die beste veröffentlichte PSNR-Metrik auf dem Haze4k-Testdatensatz von 28,53 dB auf 33,49 dB und auf dem SOTS indoor-Testdatensatz von 37,17 dB auf 38,41 dB.