Key points are not available for this paper at this time.
본 논문에서는 안개 없는 이미지를 직접 복원하기 위한 종단 간 특징 융합 주의 네트워크(FFA-Net)를 제안한다. FFA-Net 아키텍처는 세 가지 핵심 요소로 구성된다: 1) 새로운 특징 주의(FA) 모듈은 채널 주의와 픽셀 주의 메커니즘을 결합하여, 서로 다른 채널별 특징이 전혀 다른 가중 정보를 포함하고 이미지의 다른 픽셀에 안개 분포가 고르지 않다는 점을 고려한다. FA는 서로 다른 특징과 픽셀을 다르게 처리하여 다양한 유형의 정보를 다루는 데 추가적인 유연성을 제공하며 CNN의 표현 능력을 확장한다. 2) 기본 블록 구조는 지역 잔차 학습과 특징 주의로 이루어지며, 지역 잔차 학습은 얇은 안개 영역이나 저주파와 같은 덜 중요한 정보를 여러 지역 잔차 연결을 통해 우회시켜 주요 네트워크 구조가 보다 효과적인 정보에 집중할 수 있게 한다. 3) 주의 기반의 다양한 수준 특징 융합(FFA) 구조는 특징 주의(FA) 모듈로부터 적응적으로 특징 가중치를 학습하여 중요한 특징에 더 많은 가중치를 부여한다. 이 구조는 또한 얕은 층의 정보를 보존하고 심층 층으로 전달할 수 있다. 실험 결과는 제안한 FFA-Net이 정량적 및 정성적으로 이전 최첨단 단일 이미지 탈연무 방법들을 큰 폭으로 능가하며, SOTS 실내 테스트 데이터셋에서 최고 발표된 PSNR 지표를 30.23 dB에서 36.39 dB로 향상시킴을 보여준다. 코드는 GitHub에 공개되어 있다.
Building similarity graph...
Analyzing shared references across papers
Loading...
Qin Xu
Zhilin Wang
Yuanchao Bai
Peking University
Beihang University
Building similarity graph...
Analyzing shared references across papers
Loading...
Xu 외(Fri,)가 이 문제를 연구하였다.
www.synapsesocial.com/papers/69d76b5ff44a16d01ef30e10 — DOI: https://doi.org/10.1609/aaai.v34i07.6865
Synapse has enriched 3 closely related papers on similar clinical questions. Consider them for comparative context: