探索脉冲神经网络在图像去雾中的潜力
计算机视觉与模式识别
2026-01-21 v3
摘要
类生物学且高效的框架如脉冲神经网络(SNN)在低层视觉任务中尚未得到充分探索。以图像去雾为例，本研究聚焦于脉冲神经元固有的 high-pass characteristics (高通特性) 的表示，尤其创新性地提出了 Visual LIF (VLIF) 神经元，克服了传统脉冲神经元缺乏空间语境理解的瓶颈。为解决传统脉冲神经元固有的频率域饱和 (frequency-domain saturation) 限制，我们利用提出的VLIF引入了 Spiking Decomposition and Enhancement Module (脉冲分解与增强模块) 和轻量级 Spiking Multi-scale Unit (脉冲多尺度单元) 用于层次化多尺度表示学习。跨越五个基准去雾数据集的广泛实验表明，我们的方法显著优于基于SNN的state-of-the-art (最先进) 去雾方法，仅需其能耗的13%即可实现 superior performance (卓越性能)。这些发现为在高性能、能效高的低层视觉任务中部署SNN奠定了坚实基础。
关键词
引用
@article{arxiv.2512.02258,
title = {Exploring the Potentials of Spiking Neural Networks for Image Deraining},
author = {Shuang Chen and Tomas Krajnik and Farshad Arvin and Amir Atapour-Abarghouei},
journal= {arXiv preprint arXiv:2512.02258},
year = {2026}
}
备注
Accepted By AAAI2026