DehazeDCT：基于可变形卷积Transformer的高效非均匀去雾方法
计算机视觉与模式识别
2024-07-09 v1
摘要
图像去雾是低级视觉中的一项关键任务，旨在从有雾图像中恢复可见性和细节。许多具有强大表示学习能力的深度学习方法在非均匀去雾方面表现出先进性能，然而，这些方法通常由于计算需求巨大，在处理高分辨率图像（例如 ）时面临困难。为了解决这些挑战，我们提出了一种创新的基于可变形卷积类Transformer架构的非均匀去雾方法（DehazeDCT）。具体来说，我们首先设计了一个基于可变形卷积v4的类Transformer网络，该网络具有长程依赖和自适应空间聚合能力，并展现出更快的收敛速度和前向速度。此外，我们利用一个轻量级的Retinex启发式Transformer来实现色彩校正和结构细化。大量的实验结果以及我们的方法在NTIRE 2024密集与非均匀去雾挑战赛中取得的极具竞争力的性能（在所有16个提交中排名第二），证明了所提出方法的卓越能力。代码已开源：https://github.com/movingforward100/Dehazing_R。
引用
@article{arxiv.2407.05169,
title = {DehazeDCT: Towards Effective Non-Homogeneous Dehazing via Deformable Convolutional Transformer},
author = {Wei Dong and Han Zhou and Ruiyi Wang and Xiaohong Liu and Guangtao Zhai and Jun Chen},
journal= {arXiv preprint arXiv:2407.05169},
year = {2024}
}