一个混合注意网络与卷积神经网络和变压器用于水下图像恢复
Zhan Jiao1, Ruizi Wang1, Xiangyi Zhang2
1Liaoning Vocational College of Light Industry, Dalian, Liaoning, China.
PeerJ. Computer science
|December 11, 2023
概括
这项研究引入了一种混合注意网络,用于恢复复杂的水下图像,通过有效地解决模糊,颜色造和噪声以实现更清晰的视觉分析,优于现有方法.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 人工智能的人工智能
背景情况:
- 水下图像分析是具有挑战性的,因为像模糊,颜色造和噪音等降解.
- 现有的修复方法在复杂的退化过程中经常失败,或者只关注局部特征.
- 卷积神经网络 (CNN) 方法可能会忽视全球图像背景.
研究的目的:
- 开发一种先进的方法来恢复受损的水下图像.
- 克服现有的修复技术的局限性,特别是复杂的图像问题.
- 改进水下视觉数据的分析和传播.
主要方法:
- 提出了一个混合注意网络,将卷积神经网络 (CNN) 和变压器架构结合起来.
- 美国有线电视新闻网 (CNN) 组件提取当地图像特征.
- 变压器组件利用多头自我注意力来建模全球图像关系.
- 降低频道注意力和监督注意力机制被整合为功能改进.
主要成果:
- 拟议的混合注意力网络与现有方法相比,表现优越.
- 对水下图像的公共EUVP数据集进行了评估.
- 质量标准显示,图像恢复的显著改进.
结论:
- 混合注意网络有效地解决了水下图像中的多种降解因素.
- 结合CNN和变压器架构,可以实现本地和全球功能恢复.
- 该方法在水下图像增强方面提供了显著的进步,以便更好地进行分析.
