RT-CBAM:精制变压器与卷积块注意模块相结合,用于水下图像恢复

科学领域:

• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.
• 机器人技术 机器人技术 机器人技术

背景情况:

• 变压器在视觉任务中表现有前途,但在复杂的水下图像中,他们与精细的局部特征作斗争.
• 传统的卷积神经网络 (CNN) 擅长局部特征,但缺乏变压器的全球背景.

研究的目的:

• 开发一个改进的变压器模型,用于增强水下图像处理.
• 为了解决捕捉本地和全球特征的局限性,以获得更好的细节和色彩恢复.

主要方法:

• 提出了一种精细的变压器模型,改进了功能块 (扩展变压器块) 以实现精确的注意力计算.
• 在瓶层中集成了一个自我监督的本地和全球盲点网络,以提高细节和纹理恢复.
• 引入了一个多尺度卷积块注意模块 (MSCBAM),以改善色通道特征表示和恢复.

主要成果:

• 精细的变压器与卷积块注意模块 (RT-CBAM) 结合,在细节处理和色彩恢复方面表现出卓越的性能.
• 与两种传统方法和六种深度学习方法相比,取得了最好的结果.
• 该模型有效地捕捉了本地和全球特征,对于复杂的水下图像至关重要.

结论:

• 该RT-CBAM模型在水下图像恢复方面取得了重大进展.
• 提出的方法提高了模型处理细微局部细节和恢复色彩信息的能力.
• 该模型适合在水下机器人传感器上部署,用于现实世界的海洋探索.