无监督的双向对比重建和自适应细粒度通道注意网络用于图像脱雾
Hang Sun1, Yang Wen1, Huijing Feng2
1Hubei Key Laboratory of Intelligent Vision Based Monitoring for Hydroelectric Engineering, China Three Gorges University, Yichang, 443002, China; College of Computer and Information Technology, China Three Gorges University, Yichang, 443002, China.
概括
本研究介绍了无监督的双向对比重建和自适应细粒度通道注意网络 (UBRFC-Net),用于优质的无监督图像清除. 这种新的方法通过解决现有的生成对抗网络和注意力机制的局限性来提高图像质量.
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:
- 无监督的图像删除方法面临不一致的数据分布 (CycleGAN) 和细节丢失 (DisentGAN) 的挑战.
- 像Squeeze和Excitation这样的现有的道注意力机制缺乏局部-全球信息交互,导致功能权重不足.
研究的目的:
- 提出一个新的无监督图像除尘网络,UBRFC-Net,克服当前方法的局限性.
- 为了提高发电机学习稳定性和图像重建能力在无监督的dehazing.
- 通过更好地整合本地和全球图像信息来改善特征重量分配.
主要方法:
- 开发一个无监督的双向对比重建框架 (BCRF) 进行强大的约束和重建.
- 引入自适应细粒度通道注意 (FCA) 使用相关矩阵来增强特征加权.
- 实施UBRFC-Net集成BCRF和FCA用于无监督的图像删除.
主要成果:
- 与基准数据集上最先进的无监督图像删除方法相比,UBRFC-Net表现出更高的性能.
- 拟议的BCRF有效地防止了发电机混,并提高了重建的准确性.
- 通过捕捉全球-本地相关性,FCA机制实现了更有效的特征权重分配.
结论:
- 在无监督的图像处理中,UBRFC-Net提供了显著的进步.
- 整合BCRF和FCA提供了一种更有效的方法来生成高质量的无雾化图像.
- 这项研究为无监督图像处理挑战提供了强大而高效的解决方案.
