DEA-Net: Einzelbild-Dehazing basierend auf detailverstärktem Faltung und inhaltsgeleiteter Aufmerksamkeit

Die Entnebelung einzelner Bilder stellt ein herausforderndes schlecht gestelltes Problem dar, bei dem aus beobachteten nebeligen Bildern latente, nebelfreie Bilder geschätzt werden sollen. Bestehende tief neuronale Ansätze versuchen, die Modellleistung durch Erhöhung der Tiefe oder Breite von Faltungsoperationen zu verbessern. Die Lernfähigkeit von Faltungsneuralen Netzwerken (CNN) bleibt jedoch weiterhin unzureichend ausgeschöpft. In diesem Artikel wird ein detailverstärkter Aufmerksamkeitsblock (DEAB) vorgestellt, der aus der detailverstärkten Faltung (DEConv) und der inhaltsgeleiteten Aufmerksamkeit (CGA) besteht, um die Merkmalslernfähigkeit zur Verbesserung der Entnebelungsleistung zu steigern. Insbesondere integriert DEConv vorherige Informationen in eine herkömmliche Faltungsschicht, um die Repräsentations- und Generalisierungsfähigkeit zu erhöhen. Durch die Anwendung der Re-Parameterisierungstechnik wird DEConv äquivalent in eine klassische Faltung umgewandelt, ohne zusätzliche Parameter oder Berechnungskosten zu erzeugen. Durch die Zuweisung eindeutiger räumlicher Bedeutungskarten (SIM) für jede Kanal wird CGA in die Lage versetzt, nützlichere Informationen innerhalb der Merkmale zu erfassen. Zudem wird ein auf CGA basierendes Mixup-Fusionsverfahren vorgestellt, das die Merkmalsfusion effektiv unterstützt und den Gradientenfluss fördert. Durch die Kombination der oben genannten Komponenten wird unser detailverstärktes Aufmerksamkeitsnetzwerk (DEA-Net) vorgeschlagen, um hochwertige nebelfreie Bilder wiederherzustellen. Umfangreiche experimentelle Ergebnisse belegen die Wirksamkeit unseres DEA-Net, das die Stand der Technik (SOTA) übertrifft und den PSNR-Index um über 41 dB steigert, wobei lediglich 3,653 M Parameter verwendet werden. Der Quellcode unseres DEA-Net wird unter https://github.com/cecret3350/DEA-Net verfügbar gemacht.