WaterMamba:用于水下图像增强的视觉状态空间模型
计算机视觉与模式识别
2024-05-15 v1
摘要
由于水中光线传播和吸收的影响,水下成像通常质量较低。为了提高图像质量,已有一些基于卷积神经网络(CNN)和 Transformer 的水下图像增强(UIE)方法被提出。然而,基于 CNN 的 UIE 方法在建模长程依赖性方面存在局限,而基于 Transformer 的方法涉及大量参数和复杂的自注意力机制,带来了效率挑战。考虑到计算复杂度和严重的水下图像退化,本文提出了一种具有线性计算复杂度的用于 UIE 的状态空间模型(SSM),命名为 WaterMamba。我们提出了空间通道全向选择性扫描(SCOSS)块,它由空间通道坐标全向选择性扫描(SCCOSS)模块和多尺度前馈网络(MSFFN)组成。SCOSS 块对像素和通道信息流进行建模,以解决依赖性问题。MSFFN 促进信息流调整并推动 SCCOOSS 模块内的同步操作。大量实验表明,WaterMamba 在减少参数和计算资源的情况下展现出卓越的性能,在各种数据集上优于现有方法,验证了其有效性和泛化能力。代码将在被接收后于 GitHub 发布。
引用
@article{arxiv.2405.08419,
title = {WaterMamba: Visual State Space Model for Underwater Image Enhancement},
author = {Meisheng Guan and Haiyong Xu and Gangyi Jiang and Mei Yu and Yeyao Chen and Ting Luo and Yang Song},
journal= {arXiv preprint arXiv:2405.08419},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2403.06098