DEA-Net:基于细节增强的卷积和内容导向注意力的单一图像清除

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 图像处理 图像处理

背景情况:

• 单一图像的消耗是一个错误的问题,对于视觉质量提升至关重要.
• 现有的深度学习方法通常会增加模型大小以提高性能.
• 卷积神经网络 (CNN) 结构在撤离房屋中的学习能力仍然是一个需要探索的领域.

研究的目的:

• 提出一个新的细节增强注意力阻塞 (DEAB),以促进特征学习,以改进单个图像的处理.
• 增强脱模式的代表能力和效率.
• 开发一个卷积神经网络 (CNN) 架构,可以恢复高质量的无雾图像.

主要方法:

• 引入了一个细节增强注意力区块 (DEAB),包括细节增强卷积 (DEConv) 和内容导向注意力 (CGA).
• 为了提高效率,DEConv集成了使用差异卷积和重新参数化的先前信息.
• CGA使用空间重要性地图 (SIM) 聚焦特征注意力,并采用混合融合方案来帮助梯度流.

主要成果:

• 拟议的细节增强注意网络 (DEA-Net) 在单一图像中实现了最先进的 (SOTA) 性能.
• 达到超过41dB的峰值信号噪声比 (PSNR).
• 证明有效性,参数数量显著减少,仅为3.653万.

结论:

• 包括DEConv和CGA在内的DEAB有效地增强了功能学习,以获得更优异的脱结果.
• DEA-Net提供了一个计算效率高和高性能解决方案,用于单个图像 dehazing.
• 拟议的方法在性能和参数效率方面都优于现有的SOTA技术.