MixDehazeNet : Bloc à Structure Mixte pour Réseau de Débroussaillement d'Images

Le débrouillardage d’images est une tâche classique dans le domaine de la vision basse niveau. Les études antérieures ont confirmé l’efficacité des grands noyaux de convolution et des mécanismes d’attention dans le débrouillardage. Toutefois, deux limites subsistent : l’introduction d’un grand noyau de convolution tend à négliger les propriétés multi-échelles d’une image, et la connexion en série standard d’un module d’attention ne prend pas suffisamment en compte la distribution inégale du brouillard. Dans cet article, nous proposons un nouveau cadre nommé Mix Structure Image Dehazing Network (MixDehazeNet), qui permet de résoudre les deux problèmes mentionnés. Plus précisément, il se compose principalement de deux composants : un module de grands noyaux de convolution parallèles multi-échelles et un module d’attention parallèle amélioré. Contrairement à un seul grand noyau, l’approche parallèle utilisant plusieurs grands noyaux à différentes échelles est plus apte à intégrer les textures partielles lors du processus de débrouillardage. En outre, un module d’attention parallèle amélioré a été conçu, dans lequel les connexions parallèles entre modules d’attention se révèlent plus efficaces pour traiter une distribution inégale du brouillard. Des expériences étendues sur trois benchmarks démontrent l’efficacité de la méthode proposée. Par exemple, par rapport aux méthodes de pointe précédentes, MixDehazeNet atteint une amélioration significative (42,62 dB en PSNR) sur le jeu de données SOTS indoor. Le code source est disponible à l’adresse suivante : https://github.com/AmeryXiong/MixDehazeNet.