重新思考图像去雾网络的性能增益
计算机视觉与模式识别
2022-09-26 v1
摘要
图像去雾是底层视觉中的活跃课题，随着深度学习的快速发展，许多图像去雾网络被提出。尽管这些网络的流程运作良好，但提升图像去雾性能的关键机制仍不清楚。为此，我们并不旨在提出一个带有花哨模块的去雾网络；相反，我们对流行的 U-Net 做最小修改以获得一个紧凑的去雾网络。具体而言，我们将 U-Net 中的卷积块替换为带门控机制的残差块，并使用选择性核融合主路径与跳跃连接的特征图，将所得 U-Net 变体称为 gUNet。结果，在显著减少开销的情况下，gUNet 在多个图像去雾数据集上优于 SOTA 方法。最后，我们通过大量消融实验验证了这些关键设计对图像去雾网络性能增益的作用。
引用
@article{arxiv.2209.11448,
title = {Rethinking Performance Gains in Image Dehazing Networks},
author = {Yuda Song and Yang Zhou and Hui Qian and Xin Du},
journal= {arXiv preprint arXiv:2209.11448},
year = {2022}
}