LKD-Net：用于单幅图像去雾的大核卷积网络
计算机视觉与模式识别
2022-09-07 v1 机器学习
摘要
基于深度卷积神经网络（CNNs）的单幅图像去雾方法已取得显著成功。先前的方法致力于通过增加网络深度与宽度来提升性能。当前的方法侧重于增大卷积核尺寸，以借助更大的感受野来提升性能。然而，直接增大卷积核尺寸会带来海量计算开销与参数量。为此，本文设计了一种由分解深度大核卷积块（DLKCB）与通道增强前馈网络（CEFN）组成的新颖大核卷积去雾块（LKD Block）。所设计的 DLKCB 可将深度大核卷积拆分为更小的深度卷积与深度空洞卷积，而不引入海量参数与计算开销。同时，所设计的 CEFN 将通道注意力机制融入前馈网络，以利用显著通道并增强鲁棒性。通过组合多个 LKD Block 与上下采样模块，构建了大核卷积去雾网络（LKD-Net）。评估结果证明了所设计 DLKCB 与 CEFN 的有效性，且我们的 LKD-Net 优于当前最优方法。在 SOTS 室内数据集上，我们的 LKD-Net 以仅 1.79% 的参数量与 48.9% 的 FLOPs 大幅优于基于 Transformer 的方法 Dehamer。我们的 LKD-Net 源代码可在 https://github.com/SWU-CS-MediaLab/LKD-Net 获取。
引用
@article{arxiv.2209.01788,
title = {LKD-Net: Large Kernel Convolution Network for Single Image Dehazing},
author = {Pinjun Luo and Guoqiang Xiao and Xinbo Gao and Song Wu},
journal= {arXiv preprint arXiv:2209.01788},
year = {2022}
}