Lernen hierarchischer Dynamik mit räumlicher Nachbarschaft für die Bildverbesserung

In verschiedenen Anwendungen der Bildverbesserung in der realen Welt sind die Degradierungen stets nicht einheitlich oder nicht homogen und vielfältig, was die meisten tiefen Netzwerke mit festen Parametern während der Inferenzphase herausfordert. Angeregt durch dynamische tiefe Netzwerke, die ihre Struktur oder Parameter bedingt auf die Eingabedaten anpassen, schlagen wir einen hierarchischen dynamischen Mechanismus vor, der durch die Dunkelkanal-Prior (DCP) geleitet wird, um die Modellparameter und Merkmale von lokal bis global anzupassen und gleichzeitig die räumliche Nachbarschaft innerhalb eines Bereichs zu bewahren. Konkret werden nacheinander dynamische Komponenten auf drei Ebenen angewendet: kanal- und raumbezogene Ebene, Strukturebene sowie Bereichsebene. Die dynamischen Komponenten auf kanal- und raumbezogener Ebene erfassen Veränderungen in Kanal- und Raumrichtung, während die dynamischen Komponenten auf Strukturebene die Modellierung geometrischer Transformationen ermöglichen und die Abtastpositionen für variierende lokale Merkmale erweitern, um die Strukturen präziser zu beschreiben. Darüber hinaus wird eine neuartige dynamische Komponente auf Bereichsebene vorgestellt, die räumlich kontinuierliche Masken zur Generierung dynamischer Merkmale erzeugt und dabei auf die Dunkelkanal-Prior (DCP) zurückgreift. Diese regionenbasierten Dynamiken profitieren von der Ausnutzung statistischer Unterschiede zwischen verformten und unverformten Bildern. Zudem sind die durch DCP geleiteten Bereichsgenerierungen inhärent räumlich kohärent, was die Erfassung lokaler Kohärenz im Bild erleichtert. Die vorgeschlagene Methode erreicht eine state-of-the-art Leistung und erzeugt visuell ansprechende Ergebnisse für mehrere Verbesserungsaufgaben, nämlich Bildentnebelung, Bildentregen und Verbesserung von Bildern bei schlechtem Licht. Der Quellcode ist unter https://github.com/DongLiangSXU/HDM verfügbar.