snnTrans-DHZ: 一种用于水下图像去雾的轻量级脉冲神经网络架构
计算机视觉与模式识别
2025-04-17 v1 人工智能
性能
机器人学
图像与视频处理
摘要
水下图像去雾对于基于视觉的海洋作业至关重要，因为光的散射和吸收会严重降低能见度。本文介绍了snnTrans-DHZ，一种专为水下去雾设计的轻量级脉冲神经网络（SNN）。通过利用SNN的时间动态特性，snnTrans-DHZ能够高效处理时间相关的原始图像序列，同时保持低功耗。静态水下图像首先通过用户定义的时间步长重复输入同一图像，转换为时间相关序列。然后将这些RGB序列转换为LAB色彩空间表示并并行处理。该架构包含三个关键模块：（i）K估计器，从多个色彩空间表示中提取特征；（ii）背景光估计器，从RGB-LAB图像中联合推断背景光分量；（iii）软图像重建模块，生成无雾、增强可见度的输出。snnTrans-DHZ模型直接使用基于替代梯度的时域反向传播（BPTT）策略以及新颖的组合损失函数进行训练。在UIEB基准上评估，snnTrans-DHZ的PSNR为21.68 dB，SSIM为0.8795；在EUVP数据集上，PSNR为23.46 dB，SSIM为0.8439。该算法仅需0.5670百万网络参数，仅需7.42 GSOPs和0.0151 J能量，在效率上显著优于现有最先进方法。这些特性使snnTrans-DHZ非常适合部署在水下机器人、海洋勘探和环境监测中。
引用
@article{arxiv.2504.11482,
title = {snnTrans-DHZ: A Lightweight Spiking Neural Network Architecture for Underwater Image Dehazing},
author = {Vidya Sudevan and Fakhreddine Zayer and Rizwana Kausar and Sajid Javed and Hamad Karki and Giulia De Masi and Jorge Dias},
journal= {arXiv preprint arXiv:2504.11482},
year = {2025}
}