SCANet: Self-Paced Semi-Curricular Attention Network for Non-Homogeneous Image Dehazing

要約

【タイトル】
非均質イメージの除霧のためのセルフペースド半カリキュラムアテンションネットワーク（SCANet）

【要約】
・非均質な霧が存在すると、シーンのぼやけ、色の歪み、低コントラストなどの劣化が生じて、テクスチャの詳細がわかりにくい。
・存在する均質な除霧方法は、霧の非均一的分布を堅牢に処理することが困難である。
・非均質な除霧の重要な課題は、非均質分布特徴を効果的に抽出し、霧で覆われた領域の詳細を高品質で再構築することである。
・本論文では、霧を強調する非均質なイメージ除霧のための新しいセルフペースド半カリキュラムアテンションネットワーク「SCANet」を提案する。
・アテンション生成ネットワークとシーン再構築ネットワークから構成される。
・イメージの輝度差を使用して注目マップを制限し、セルフペースド半カリキュラム学習戦略を導入して学習の初期段階で学習曖昧性を低減する。
・包括的な定量的および定性的実験により、SCANetが多くの最先端の方法よりも優れていることが示されている。
・コードはhttps://github.com/gy65896/SCANetで公開されている。

要約(オリジナル)

The presence of non-homogeneous haze can cause scene blurring, color distortion, low contrast, and other degradations that obscure texture details. Existing homogeneous dehazing methods struggle to handle the non-uniform distribution of haze in a robust manner. The crucial challenge of non-homogeneous dehazing is to effectively extract the non-uniform distribution features and reconstruct the details of hazy areas with high quality. In this paper, we propose a novel self-paced semi-curricular attention network, called SCANet, for non-homogeneous image dehazing that focuses on enhancing haze-occluded regions. Our approach consists of an attention generator network and a scene reconstruction network. We use the luminance differences of images to restrict the attention map and introduce a self-paced semi-curricular learning strategy to reduce learning ambiguity in the early stages of training. Extensive quantitative and qualitative experiments demonstrate that our SCANet outperforms many state-of-the-art methods. The code is publicly available at https://github.com/gy65896/SCANet.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI