EHNet:高效的混合网络,双重关注图像消除模糊
Quoc-Thien Ho1, Minh-Thien Duong2, Seongsoo Lee3
1Department of Information and Telecommunication Engineering, Soongsil University, Seoul 06978, Republic of Korea.
Sensors (Basel, Switzerland)
|October 26, 2024
概括
本研究介绍了一种高效混合网络 (EHNet),用于图像消除模糊,它结合了CNN和变压器. 这种新型网络有效地消除了模糊文物,提高了图像质量,降低了计算成本.
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:
- 动作导致的图像模糊是成像中的一个重大挑战,降低了图像质量.
- 深度学习,特别是卷积神经网络 (CNN) 和变压器,显示出对图像消除模糊性的承诺.
- 现有的方法面临局限性:CNN限制了受感场,而变压器是计算密集的,缺乏诱导偏差.
研究的目的:
- 开发一种高效的基于深度学习的图像处理方法,以有效地去除模糊文物.
- 为了克服现有的CNN和变压器架构在图像模糊化方面的局限性.
- 提出一种新的混合网络,可以平衡本地特征提取和远程依赖模型.
主要方法:
- 提出了一个高效的混合网络 (EHNet),利用CNN编码器用于本地特征和变压器解码器用于全球环境.
- 在变压器解码器中引入了双重注意模块,以捕获空间和通道智能的依赖性.
- 开发了一个简单的功能嵌入模块 (SFEM),以减少自我注意机制中的计算复杂性.
主要成果:
- EHNet模型展示了高质量的图像消除模糊性的功能.
- 对基准数据集的全面实验显示出有希望的定量和定性结果.
- 在不影响性能的情况下,SFEM显著降低了计算复杂性和内存使用量.
结论:
- 拟议的EHNet提供了一种高效和有效的解决方案来消除图像模糊.
- 混合方法成功地整合了CNN和变形金刚的优势.
- 这项工作推进了基于深度学习的图像消除模糊,使用计算效率高和高性能模型.
