Réévaluer les gains de performance dans les réseaux de débrouillardisation d'images

Le débrouillardage d’images est un sujet actif en vision basse niveau, et de nombreuses architectures de réseaux de débrouillardage ont été proposées en raison du développement rapide du deep learning. Bien que les pipelines de ces réseaux fonctionnent efficacement, le mécanisme clé permettant d’améliorer les performances reste encore mal compris. À cet égard, nous ne visons pas à proposer un réseau de débrouillardage doté de modules sophistiqués, mais plutôt à apporter des modifications minimales au réseau U-Net populaire afin d’obtenir un modèle compact de débrouillardage. Plus précisément, nous remplaçons les blocs de convolution dans U-Net par des blocs résiduels munis d’un mécanisme de commutation (gating), fusionnons les cartes de caractéristiques des chemins principaux et des connexions bypass à l’aide d’un noyau sélectif, et nommons la variante résultante gUNet. En conséquence, avec une surcharge computationnelle sensiblement réduite, gUNet surpasser les méthodes de pointe sur plusieurs jeux de données de débrouillardage d’images. Enfin, nous validons l’impact de ces choix architecturaux sur l’amélioration des performances grâce à des études d’ablation approfondies.