Rethinking Performance Gains in Image Dehazing Networks

要約

画像のかすみ除去は、ローレベル ビジョンにおける活発なトピックであり、ディープ ラーニングの急速な発展に伴い、多くの画像かすみ除去ネットワークが提案されています。
これらのネットワークのパイプラインは正常に機能しますが、画像のかすみ除去のパフォーマンスを改善するための主要なメカニズムは不明のままです。
このため、派手なモジュールを使用したかすみ除去ネットワークを提案することは目的としていません。
むしろ、一般的な U-Net に最小限の変更を加えて、コンパクトなかすみ除去ネットワークを取得します。
具体的には、ゲーティング メカニズムを使用して U-Net の畳み込みブロックを残差ブロックに交換し、選択的カーネルを使用してメイン パスの機能マップとスキップ接続を融合し、結果の U-Net バリアントを gUNet と呼びます。
その結果、オーバーヘッドが大幅に削減された gUNet は、複数の画像かすみ除去データセットに対する最先端の方法よりも優れています。
最後に、広範なアブレーション研究を通じて、画像のかすみ除去ネットワークのパフォーマンス向上に対するこれらの主要な設計を検証します。

要約(オリジナル)

Image dehazing is an active topic in low-level vision, and many image dehazing networks have been proposed with the rapid development of deep learning. Although these networks’ pipelines work fine, the key mechanism to improving image dehazing performance remains unclear. For this reason, we do not target to propose a dehazing network with fancy modules; rather, we make minimal modifications to popular U-Net to obtain a compact dehazing network. Specifically, we swap out the convolutional blocks in U-Net for residual blocks with the gating mechanism, fuse the feature maps of main paths and skip connections using the selective kernel, and call the resulting U-Net variant gUNet. As a result, with a significantly reduced overhead, gUNet is superior to state-of-the-art methods on multiple image dehazing datasets. Finally, we verify these key designs to the performance gain of image dehazing networks through extensive ablation studies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google