DRACO-DehazeNet: An Efficient Image Dehazing Network Combining Detail Recovery and a Novel Contrastive Learning Paradigm

要約

画像のかすみ除去は、かすみや霧によって覆われた画像を鮮明にするために重要ですが、現在の学習ベースのアプローチは大量のトレーニング データに依存しているため、大量の計算能力を消費します。
さらに、不均一な曇りや濃い曇りの下では、その性能が不十分になることがよくあります。
これらの課題に対処するために、私たちは Detail Recovery And Contrastive DehazeNet を開発しました。これは、高密度拡張反転残差ブロックと、特定のかすみ除去されたシーンのコンテキストに合わせて強化を調整するアテンションベースのディテール回復ネットワークを介して、効率的かつ効果的なかすみ除去を促進します。
主要な革新は、新しいクアドラプレット損失ベースのコントラストかすみ除去パラダイムによって達成された、限られたデータで効果的にトレーニングできる機能です。
このアプローチは、かすんだ画像の特徴と鮮明な画像の特徴を明確に分離すると同時に、ネットワークの各サブモジュールから得られる低品質のかすみ除去画像と高品質のかすみ除去画像を区別し、それによってかすみ除去プロセスを大幅に洗練します。
ベンチマークされたさまざまなヘイズ データセットに対する広範なテストにより、私たちのアプローチの優位性が実証されました。
この作業のコード リポジトリは間もなく利用可能になります。

要約(オリジナル)

Image dehazing is crucial for clarifying images obscured by haze or fog, but current learning-based approaches is dependent on large volumes of training data and hence consumed significant computational power. Additionally, their performance is often inadequate under non-uniform or heavy haze. To address these challenges, we developed the Detail Recovery And Contrastive DehazeNet, which facilitates efficient and effective dehazing via a dense dilated inverted residual block and an attention-based detail recovery network that tailors enhancements to specific dehazed scene contexts. A major innovation is its ability to train effectively with limited data, achieved through a novel quadruplet loss-based contrastive dehazing paradigm. This approach distinctly separates hazy and clear image features while also distinguish lower-quality and higher-quality dehazed images obtained from each sub-modules of our network, thereby refining the dehazing process to a larger extent. Extensive tests on a variety of benchmarked haze datasets demonstrated the superiority of our approach. The code repository for this work will be available soon.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google