HyperAIHyperAI
il y a 7 jours

Percevoir et modéliser la densité, c’est tout ce dont vous avez besoin pour débrousser les images

Tian Ye, Mingchao Jiang, Yunchen Zhang, Liang Chen, Erkang Chen, Pen Chen, Zhiyong Lu
Percevoir et modéliser la densité, c’est tout ce dont vous avez besoin pour débrousser les images
Résumé

Dans le monde réel, la dégradation des images prises sous brouillard peut être très complexe, avec une distribution spatiale du brouillard qui varie considérablement d’une image à l’autre. Les méthodes récentes utilisent des réseaux neuronaux profonds pour restaurer directement des scènes nettes à partir d’images brumeuses. Toutefois, en raison du paradoxe provoqué par la variabilité du brouillard réellement capturé et des paramètres de dégradation fixes des réseaux actuels, la capacité de généralisation des méthodes de débrouillardage récentes sur des images brumeuses du monde réel n’est pas satisfaisante. Pour surmonter ce problème de modélisation de la dégradation causée par le brouillard dans le monde réel, nous proposons de résoudre cette difficulté en percevant et en modélisant la densité du brouillard pour une distribution inégale. Nous introduisons un nouveau module d’attention hybride séparable (SHA) afin de coder la densité du brouillard en capturant des caractéristiques selon des directions orthogonales, atteignant ainsi cet objectif. En outre, nous proposons une carte de densité pour modéliser explicitement la distribution inégale du brouillard. Cette carte de densité génère des encodages positionnels de manière semi-supervisée. Ce mécanisme de perception et de modélisation de la densité du brouillard permet de capturer efficacement la dégradation inégale au niveau des caractéristiques. En combinant de manière adéquate le module SHA et la carte de densité, nous concevons une nouvelle architecture de réseau de débrouillardage, offrant un bon compromis entre complexité et performance. Les expériences étendues menées sur deux grands jeux de données démontrent que notre méthode surpasser toutes les approches de pointe actuelles de manière significative, tant sur le plan quantitatif que qualitatif. Elle améliore le meilleur score publié de PSNR de 28,53 dB à 33,49 dB sur le jeu de test Haze4k, et de 37,17 dB à 38,41 dB sur le jeu de test SOTS indoor.

Percevoir et modéliser la densité, c’est tout ce dont vous avez besoin pour débrousser les images | Articles de recherche récents | HyperAI