Dehaze-attention:通过基于注意力的多层次深度学习框架来增强图像dehazing

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:

• 深度学习显著提升了图像脱雾,但许多方法在复杂的大气条件下扎,导致可见性恢复不佳.
• 现有的除雾模型通常依赖于在可变的雾密度下失败的假设,从而限制了它们的实际应用.
• 有效的图像除尘对于诸如空中成像和自动化系统等应用至关重要.

研究的目的:

• 提出一个改进的图像脱雾模型,Dehaze-Attention,能够处理可变的雾密度和保存结构信息.
• 在复杂的大气场景中解决当前除尘方法的局限性.
• 为了改善下游应用,在模糊图像中增强可见性恢复.

主要方法:

• 通过卷积层利用先进的特征提取来捕获模糊图像中的基本细节.
• 集成了一个注意力机制,使得能够动态关注相关特征,并最大限度地减少信息丢失.
• 结合了多个规模的网络结构,通过全球和本地特征分析来处理不同密度的雾.

主要成果:

• 在不同的大气条件下,Dehaze-Attention模型在合成的模糊图像上取得了最先进的性能.
• 与基线模型相比,在量化指标 (峰值信号与噪声比率和结构相似性指数量) 中表现出显著的改进.
• 主观评价证实,拟议的模型能够恢复卓越的可见度和保存细节.

结论:

• 脱注意力模型有效地处理可变的雾密度,同时保留必要的结构信息.
• 该模型在定量和主观评估方面都显示出显著的改进,超过了现有的除草方法.
• 增强的可视性恢复功能使Dehaze-Attention适合用于空中成像,自主系统和遥感等应用.