适应性雾像素强度感知变压器结构用于图像除雾网络
Jing Wu1, Zhewei Liu1, Feng Huang2
1School of Mechanical Engineering and Automation, Fuzhou University, Fuzhou, 350108, China.
Scientific reports
|September 28, 2024
概括
研究人员开发了SwinTieredHazymers (STH),这是一个用于图像处理的深度学习网络. 这种方法有效地恢复模糊图像的清晰度,在现实世界和跨数据集场景中优于现有的技术.
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.
- 图像处理 图像处理
背景情况:
- 用于图像消除的深度学习网络经常与现实世界的雾,算法低效率和色彩扭曲作斗争.
- 现有的方法在白天环境和跨数据集泛化方面面临挑战.
研究的目的:
- 提出SwinTieredHazymers (STH),一种适应性深度学习网络,用于有效的图像处理.
- 解决当前关于效率和颜色保真性的除尘算法的局限性.
主要方法:
- 开发了STH,一种使用三分支层次设计的新型排气网络.
- 集成变压器用于全球特征和卷积神经网络 (CNN) 用于局部特征,以调节雾残留物.
- 使用自适应的像素强度辨别来恢复清晰度.
主要成果:
- 在先进的单图像除雾方法中,STH表现出优越的性能.
- 在现实世界模糊的图像中实现了高量的量化指标和视觉准确性.
- 在跨数据集的脱场景中表现出强的表现,表明了稳健性.
结论:
- SwinTieredHazymers (STH) 通过适应性处理雾残留物,有效地恢复模糊图像的清晰度.
- 全球和本地特征的层次整合提高了算法的适用性和性能.
- 对于各种现实世界的条件来说,STH代表了单图像dehazing的重大进步.
