Key points are not available for this paper at this time.
많은 기존 이미지 디헤이징 방법들이 학습에 기반하여 성능을 향상시키기 위해 깊이 또는 너비, 합성곱 커널의 크기를 증가시키거나 Transformer 구조를 사용합니다. 그러나 이는 필연적으로 많은 파라미터를 도입하고 계산 오버헤드를 증가시킵니다. 따라서 우리는 뛰어난 디헤이징 성능과 매우 낮은 계산 오버헤드를 가지고 터미널 배치에 적합한 경량 디헤이징 프레임워크인 Dehaze-UNet을 제안합니다. Dehaze-UNet이 안개의 특징을 집계할 수 있도록 LAYER 모듈을 설계했습니다. 이 모듈은 주로 배치 정규화 계층을 통해 서로 다른 안개 이미지의 안개 특징을 집계하여 Dehaze-UNet이 안개에 더 많은 주의를 기울일 수 있도록 합니다. Furthermore, 네트워크 내에서 물리적 모델의 사용을 재평가합니다. 우리는 네트워크의 특징 맵을 조작하기 위한 ASMFUN 모듈을 설계하여 네트워크가 안개의 생성과 제거를 더 잘 이해하고 실제 안개 장면에 대한 일반화를 향상시키기 위해 사전 지식을 학습할 수 있도록 합니다. 광범위한 실험 결과는 경량 Dehaze-UNet이 최첨단 방법들을 초월한다고 나타내며, 특히 실제 장면의 안개 이미지에서 그렇습니다.
Zhou et al. (Mon,)은 이 문제를 연구했습니다.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: