KCUNET: KANとコンボリューションレイヤの並列統合によるマルチフォーカス画像融合

科学分野:

• コンピュータ・ビジョン
• 画像処理
• 深層学習

背景:

• マルチフォーカス画像融合 (MFIF) は,異なる焦点平面からの画像を統合して,完全にフォーカスした画像を作成します.
• デフォックス・スプレッド・エフェクト (DSE) は,融合した画像の境界がぼやけ,視覚の質が低下します.
• 既存の方法では DSE を効果的に減らし 細部を保存することが困難です

研究 の 目的:

• 多焦点画像融合のための新しいディープラーニングモデルKCUNetを提案する.
• 融合した画像におけるデフォックス・スプレッド・エフェクト (DSE) の課題に取り組む.
• 融合した画像の品質とエッジ保存を改善します.

主な方法:

• KCUNetを開発し,Kolmogorov-Arnoldネットワークを並列コンボリューションレイヤーで統合したU-Netアーキテクチャ.
• 空間的な次元を維持し,多層の特徴抽出のためのチャネルの深さを増加させました.
• エッジ情報処理のためのコンテンツ主導の注意力メカニズムを組み込みました.
• エッジアラインメント,マスク予測,画像品質を評価するハイブリッド損失関数を使用しました.

主要な成果:

• KCUNetは,DSEの減少とエッジの詳細の保存において優れたパフォーマンスを示しました.
• 質的および定量的評価は,最先端の15の方法に対して顕著な改善を示した.
• このモデルは高解像度の詳細を効果的に維持し,多層の特徴を捕捉しました.

結論:

• KCUNetはマルチフォーカス画像融合のための強力なソリューションを提供し,DSEを大幅に軽減します.
• 提案されたアーキテクチャとハイブリッド損失機能は,画像の明晰さと詳細の保存に寄与します.
• KCUNetは,画像融合技術の分野で重要な進歩を表しています.