使用Kolmogorov-Arnold网络在变压器注意力中增强低光图像
Alexandru Brateanu1, Raul Balmez1, Ciprian Orhei2
1Department of Computer Science, University of Machester, Manchester M13 9PL, UK.
Sensors (Basel, Switzerland)
|January 25, 2025
概括
这项研究介绍了KAN-T,一种用于低光图像增强 (LLIE) 的新型变压器网络. KAN-T使用独特的注意力机制,在黑暗环境中显著提高可见性和细节.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 低光图像增强 (LLIE) 对于改善图像传感器在照明条件差的情况下的性能至关重要.
- 变压器模型在推进LLIE技术方面显示出显著的希望.
研究的目的:
- 提出一种新的变压器网络,KAN-T,用于优越的低光图像增强.
- 引入一种创新的注意力机制,灵感来源于科尔莫戈罗夫-阿诺德表示定理.
主要方法:
- 开发了KAN-T,一个具有新注意力机制的变压器网络.
- 将可学习的非线性和多变量函数分解纳入了注意力机制.
- 增强功能灵活性和情境信息捕获.
主要成果:
- KAN-T在低光图像增强方面取得了最先进的性能.
- 与现有方法相比,证明了优越的定量和质量结果.
- 强调了拟议方法的有效性和广泛适用性.
结论:
- 在KAN-T的新的注意力机制显著提高了低光图像增强能力.
- 在具有挑战性的照明条件下,KAN-T提供了一种强大而通用的解决方案,用于提高可见度.
- 提出的方法代表了图像处理领域的重大进步.
