从单个图像中有效地去除雾,使用基于DCP的轻量级U-Net神经网络模型
Yunho Han1, Jiyoung Kim1, Jinyoung Lee2
1Department of Computer Science and Engineering, Sejong University, Seoul 05006, Republic of Korea.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
这项研究介绍了一种轻量级的U-net模型,用于有效地去除雾,显著提高了暗通道先行 (DCP) 方法的计算复杂性. 新型号在较少的参数下获得高质量的结果,使其适合于现实世界的应用.
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:
- 传统的Dark Channel Prior (DCP) 雾去除方法存在很高的计算复杂性.
- 这种复杂性阻碍了它们在实时或高分辨率图像和视频处理中的应用.
- 由于计算需求,现有的方法很难在通用应用中实现.
研究的目的:
- 提出一个轻量级的U-net神经网络模型,以有效地消除单图像雾.
- 解决与传统的DCP算法相关的计算挑战.
- 开发一种有效和高效的模型,用于实际的雾清除应用.
主要方法:
- 提出了一种新的两级U-net架构,用加速卷曲取代复杂的DCP操作.
- 该模型采用轻量化设计,参数数量少 (2百万),以实现高效的资源利用.
- 该架构优化了从单个输入图像中快速有效地去除雾.
主要成果:
- 拟议的模型实现了 26.65 dB 的平均峰值信号与噪声比 (PSNR) 和 0.88.8 的结构相似度指数 (SSIM).
- 与传统的DCP相比,观察到显著的改善,平均PSNR增加11.5dB,SSIM增加0.22.
- 该模型的性能与基于最先进的卷积神经网络 (CNN) 的方法相美,尽管它的尺寸更小.
结论:
- 拟议的轻量级U-net模型为雾清除提供了有效和高效的解决方案.
- 该模型成功地克服了传统DCP方法的计算限制.
- 它的直观结构和高性能使其适用于各种资源有限的应用.
