要約
実世界における画像強調アプリケーションにおいて、劣化は常に非一様的または非均質的で多様であるため、推論段階で固定パラメータを持つ大多数の深層ネットワークにとって大きな課題となる。入力に応じてモデル構造やパラメータを動的に適応する動的深層ネットワークのアイデアに着想を得て、局所から全体へとモデルパラメータおよび特徴量を適応可能にし、領域内の空間的隣接性を維持するためのDCP（暗部チャネル先行）誘導型階層的動的機構を提案する。具体的には、チャネル・空間レベル、構造レベル、領域レベルの動的コンポーネントを順次適用する。チャネル・空間レベルの動的機構は、チャネルおよび空間方向における表現の変化を獲得し、構造レベルの動的機構は幾何変換のモデリングを可能にし、変化する局所特徴に対してサンプリング位置を拡張することで構造をより適切に記述する。さらに、本研究では、暗部チャネル先行（DCP）を活用して空間的に連続したマスクを生成する新しい領域レベルの動的機構を提案する。この領域レベルの動的機構は、劣化画像と非劣化画像間の統計的差異を活用することで利点を得る。また、DCP誘導型の領域生成は本質的に空間的に整合性を有しており、画像の局所的な一貫性を効果的に捉えることに寄与する。提案手法は、複数の強調タスク（画像霞消去、雨除去、低照度画像強調）において最先端の性能を達成し、視覚的に魅力的な結果を生成する。コードは https://github.com/DongLiangSXU/HDM にて公開されている。