DEA-Net : Déhazing d’image unique basé sur une convolution renforçant les détails et une attention guidée par le contenu
La dégénération d’image unique est un problème mal posé difficile, qui vise à estimer une image sans brouillard à partir d’une image brumeuse observée. Certaines méthodes basées sur l’apprentissage profond existantes visent à améliorer les performances du modèle en augmentant la profondeur ou la largeur des couches de convolution. Toutefois, la capacité d’apprentissage de la structure de réseau neuronal à convolution (CNN) reste encore sous-exploitée. Dans ce travail, nous proposons un bloc d’attention amélioré par les détails (DEAB), composé d’une convolution améliorée par les détails (DEConv) et d’une attention guidée par le contenu (CGA), afin de renforcer l’apprentissage des caractéristiques et ainsi améliorer les performances de dégénération. Plus précisément, la DEConv intègre des informations a priori dans une couche de convolution classique, afin d’améliorer sa capacité de représentation et de généralisation. Ensuite, en utilisant une technique de ré-paramétrisation, la DEConv est équivalentement transformée en une convolution standard sans ajouter de paramètres ni de coût computationnel. En attribuant une carte d’importance spatiale (SIM) unique à chaque canal, la CGA permet de mieux capturer les informations utiles encodées dans les caractéristiques. Par ailleurs, nous introduisons un schéma de fusion mixup basé sur la CGA, permettant une fusion efficace des caractéristiques et favorisant le flux de gradients. En combinant ces composants, nous proposons notre réseau d’attention amélioré par les détails (DEA-Net) pour reconstruire des images sans brouillard de haute qualité. Les résultats expérimentaux étendus démontrent l’efficacité de notre DEA-Net, qui surpassse les méthodes de l’état de l’art (SOTA) en améliorant l’indice PSNR de plus de 41 dB, tout en ne nécessitant que 3,653 millions de paramètres. Le code source de notre DEA-Net sera mis à disposition à l’adresse suivante : https://github.com/cecret3350/DEA-Net.