Key points are not available for this paper at this time.
Le débruitage d'image est un défi essentiel en vision par ordinateur, visant à produire des images de haute qualité et propres à partir de leurs homologues dégradés et bruyants. L'imagerie infrarouge occupe une position centrale dans de nombreux domaines de recherche, en raison de ses avantages inhérents tels que la dissimulation et la non-invasivité. Malgré ces avantages, les images infrarouges sont souvent entachées par des imperfections liées au matériel, ce qui entraîne un mauvais contraste, une qualité réduite et une contamination par le bruit. L'extraction et la caractérisation des caractéristiques au sein de ces motifs de caractéristiques uniques dans les images infrarouges constituent des tâches difficiles. Pour surmonter ces obstacles, nous présentons l'IDTransformer pour le débruitage d'images infrarouges, encapsulé dans une architecture d'encodeur-décodeur symétrique. Au cœur de notre approche se trouve le Bloc d'Attention Automatique Transposée par Convolution (CTSAB), conçu de manière ingénieuse pour capter les dépendances à long terme via l'attention automatique par canaux, tout en encapsulant simultanément le contexte local par convolution en profondeur. De plus, nous affinons le réseau feed-forward conventionnel en intégrant des Unités Linéaires Gâtées Convolutionnelles (CGLU) et déployons le Bloc d'Attention par Coordonnées de Canal (CCAB) lors de la phase de fusion des caractéristiques pour répartir dynamiquement les poids à travers la carte des caractéristiques, facilitant ainsi une représentation plus nuancée des caractéristiques des motifs propres aux images infrarouges. Grâce à des expérimentations rigoureuses, nous établissons que notre IDTransformer atteint un meilleur renforcement visuel à travers cinq ensembles de données d'images infrarouges, comparé aux méthodes à la pointe de la technologie. Les codes source sont disponibles sur https://github.com/szw811/IDTransformer.
Shen et al. (Jeu,) ont étudié cette question.