用于非均匀图像去雾的高效重参数化残差注意力网络
图像与视频处理
2021-09-15 v2 计算机视觉与模式识别
摘要
本文提出一种端到端的高效重参数化残差注意力网络（ERRA-Net），以直接复原非均匀雾图。本文的贡献主要有以下三个方面：1）一种新颖的多分支注意力（MA）模块。空间注意力机制更好地重建高频特征，通道注意力机制对不同通道的特征区别对待。多分支结构显著提高了模型的表达能力，并可在重参数化后变为单路径结构以加速推理过程。局部残差连接允许非均匀区域中的低频信息不经处理直接通过模块，从而使模块聚焦于细节特征。2）一种轻量级网络结构。我们使用级联的 MA 模块逐步提取高频特征，多层注意力融合尾部结合模型的浅层与深层特征，最终得到干净图像的残差。3）我们提出两种新颖的损失函数以帮助重建雾图：颜色衰减损失和拉普拉斯金字塔损失。ERRA-Net 具有令人印象深刻的速度，处理 1200x1600 高清质量图像的平均运行速度为 166.11 fps。大量评估表明，在真实世界雾图上，ERRA-Net 优于 SOTA 方法。
引用
@article{arxiv.2109.05479,
title = {Efficient Re-parameterization Residual Attention Network For Nonhomogeneous Image Dehazing},
author = {Tian Ye and ErKang Chen and XinRui Huang and Peng Chen},
journal= {arXiv preprint arXiv:2109.05479},
year = {2021}
}