Red de desempañamiento de imágenes a escala múltiple basada en la convolución de deformación de distribución híbrida de función acumulativa inversa de Cauchy | JoVE Visualize

Área de la Ciencia:

Visión por computadora
Procesamiento de imágenes
Aprendizaje automático

Sus antecedentes:

Los algoritmos de desfogueo existentes sufren una degradación del rendimiento en niebla extrema debido a las limitaciones en el modelado de valores atípicos.
Las convoluciones deformables basadas en series de Taylor exhiben errores de aproximación locales, no logran capturar cambios repentinos en la densidad de la niebla.

Objetivo del estudio:

Desarrollar un algoritmo avanzado de despeje capaz de manejar condiciones de niebla extremas y mejorar la calidad de la imagen.
Abordar las limitaciones de los métodos tradicionales incorporando la distribución de Cauchy para un mejor modelado de valores atípicos.

Principales métodos:

Un generador de desplazamiento que utiliza la función de distribución acumulativa inversa (ICDF) de la distribución de Cauchy, incluido un nuevo ICDF de doble pico de Cauchy para el equilibrio dinámico.
Un módulo de fusión de Cauchy-Gauss para el aprendizaje adaptativo de coeficientes híbridos para equilibrar las regiones lisas y los detalles de los bordes.
Agregación de características de múltiples trayectorias y resolución cruzada basada en árboles con tamaños de ventana ajustables para la fusión de características locales y globales.

Principales resultados:

Logró una mejora de 2,26 dB en la relación pico señal-ruido (PSNR) con respecto al mecanismo de atención de expansión TaylorV2 en el conjunto de datos RESIDE.
Se ha demostrado una mejora de 0,88 dB PSNR en regiones con mucha neblina (concentración de niebla > 0,8).
Los estudios de ablación confirmaron la eficacia de la convolución de la distribución de Cauchy en niebla densa y iluminación variada.

Conclusiones:

El método propuesto basado en Cauchy mejora significativamente el rendimiento en condiciones de niebla extremas.
Se introdujo un nuevo mecanismo de atención y un enfoque de codificación de rutas múltiples, que ofrece una nueva perspectiva teórica para las tareas de visión por computadora.
El método modela eficazmente los valores atípicos y equilibra dinámicamente la representación de las características para mejorar los resultados de la descongelación.