KAN See In the Dark

要約

既存の低照度画像強調方法は、不均一な照明とノイズの影響により、通常画像と低照度画像の間の複雑な非線形関係に適合させることが困難です。
最近提案されたコルモゴロフ-アーノルド ネットワーク (KAN) は、非線形依存関係を効果的にキャプチャできるスプラインベースの畳み込み層と学習可能な活性化関数を特徴としています。
この論文では、KAN に基づいて KAN ブロックを設計し、それを低照度画像強調に革新的に適用します。
この方法は、線形ネットワーク構造と解釈可能性の欠如によって制約される現在の方法の制限を効果的に軽減し、低レベルの視覚タスクにおける KAN の可能性をさらに実証します。
現在の低照度画像強調方法の知覚が不十分であることと、逆拡散プロセスの確率的性質を考慮して、視覚指向の強調のために周波数領域知覚をさらに導入します。
広範な実験により、ベンチマーク データセットに対する私たちの手法の競合パフォーマンスが実証されています。
コードは https://github.com/AXNing/KSID}{https://github.com/AXNing/KSID から入手できます。

要約(オリジナル)

Existing low-light image enhancement methods are difficult to fit the complex nonlinear relationship between normal and low-light images due to uneven illumination and noise effects. The recently proposed Kolmogorov-Arnold networks (KANs) feature spline-based convolutional layers and learnable activation functions, which can effectively capture nonlinear dependencies. In this paper, we design a KAN-Block based on KANs and innovatively apply it to low-light image enhancement. This method effectively alleviates the limitations of current methods constrained by linear network structures and lack of interpretability, further demonstrating the potential of KANs in low-level vision tasks. Given the poor perception of current low-light image enhancement methods and the stochastic nature of the inverse diffusion process, we further introduce frequency-domain perception for visually oriented enhancement. Extensive experiments demonstrate the competitive performance of our method on benchmark datasets. The code will be available at: https://github.com/AXNing/KSID}{https://github.com/AXNing/KSID.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google