基于连续跨层注意力传输的动态场景去模糊
计算机视觉与模式识别
2023-01-31 v2
摘要
采用注意力机制的深度卷积神经网络(CNNs)在动态场景去模糊方面取得了巨大成功。在这些网络中,大多数仅将经注意力图精炼后的特征传递至下一层,且不同层的注意力图彼此分离,未能充分利用 CNN 中来自不同层的注意力信息。为解决该问题,我们提出了一种新的连续跨层注意力传输(CCLAT)机制,能够利用来自所有卷积层的层次化注意力信息。基于 CCLAT 机制,我们使用一个非常简单的注意力模块构建了一种新颖的残差密集注意力融合块(RDAFB)。在 RDAFB 中,由前一个 RDAFB 及各层输出推断出的注意力图直接连接至后续层,从而形成 CCLAT 机制。以 RDAFB 为基本构件,我们设计了一种用于动态场景去模糊的有效架构,称为 RDAFNet。在基准数据集上的实验表明,所提模型优于当前最先进的去模糊方法,并证明了 CCLAT 机制的有效性。
引用
@article{arxiv.2206.11476,
title = {Dynamic Scene Deblurring Based on Continuous Cross-Layer Attention Transmission},
author = {Xia Hua and Mingxin Li and Junxiong Fei and Yu Shi and JianGuo Liu and Hanyu Hong},
journal= {arXiv preprint arXiv:2206.11476},
year = {2023}
}