USRNet：用于增强多不良天气条件下交通成像的统一场景恢复网络
计算机视觉与模式识别
2025-02-12 v1
摘要
计算机视觉技术的进步促进了智能交通系统和视觉监控系统在自动驾驶、公共安全和环境监测等各种应用中的广泛部署。然而，雾、雨、雪以及更复杂的混合退化等恶劣天气条件会显著降低图像质量。这种退化会损害这些系统在各种情景下的准确性和可靠性。为解决开发适应性模型以进行场景恢复的挑战，我们引入了统一场景恢复网络（USRNet），其能够处理多种图像退化类型。USRNet具有精细的体系结构，包括场景编码器、由注意力驱动的节点独立学习机制（NILM）、边缘解码器和场景恢复模块。场景编码器由先进的残差块驱动，对退化图像进行分层特征提取，确保对退化信息的全面编码。为增强USRNet在多样化天气条件下的适应性，我们引入NILM，使网络能够精确学习和响应不同情景，从而提高其鲁棒性。边缘解码器设计用于精确提取边缘特征，这对于保持图像锐度至关重要。实验结果表明，USRNet在处理复杂成像退化方面优于现有方法，从而提高了视觉系统在各种情景下的准确性和可靠性。本工作的代码资源可在https://github.com/LouisYxLu/USRNet访问。
引用
@article{arxiv.2502.07372,
title = {USRNet: Unified Scene Recovery Network for Enhancing Traffic Imaging under Multiple Adverse Weather Conditions},
author = {Yuxu Lu and Ai Chen and Dong Yang and Ryan Wen Liu},
journal= {arXiv preprint arXiv:2502.07372},
year = {2025}
}