Fahrzeugvisionssysteme sind entscheidend von Frontkameras abhängig, deren Bildqualität häufig unter widrigen Bedingungen wie Regen, Nebel, geringer Beleuchtung und schneller Bewegung leidet. Um diese Herausforderung zu bewältigen, schlagen wir VMESR vor, ein variabel mamba-verbessertes Super-Resolution-Netzwerk, das ein selektives Zustandsraum-Modell in eine leichtgewichtige Super-Resolution-Architektur integriert. Durch die Serialisierung von 2D-Feature-Karten und die Anwendung variabler Tiefen von Mamba-Blöcken erfasst VMESR langreichweitige Abhängigkeiten mit linearer Komplexität. Ein Mehrskalen-Feature-Extraktor, verbesserte Residualmodule, ausgestattet mit einem konvolutionalen Block-Attention-Modul, und dichte Fusionsverbindungen arbeiten zusammen, um die Rekonstruktion hochfrequenter Details zu verbessern. Umfassende Experimente zeigen, dass VMESR in Bezug auf objektive Metriken und perceptuelle Qualität im Vergleich zu modernen Methoden wettbewerbsfähige Leistungen erbringt, während die Parameteranzahl und die Rechenkosten erheblich reduziert werden. VMESR bietet ein praktisches Gleichgewicht zwischen Effizienz und Rekonstruktionsgenauigkeit und bietet eine einsatzfähige Super-Resolution-Lösung für integrierte Fahrzeug-Sensoren und verbessert die Robustheit von Wahrnehmungs-Pipelines im autonomen Fahren.
Zhu et al. (Fri,) haben diese Frage untersucht.