Réseau de dévoilage anti-interférence et d’amélioration des détails pour les scènes du monde réel

Le phénomène de flou perturbe sérieusement l’acquisition de l’image et réduit la qualité de l’image. En raison de nombreux facteurs incertains, le dévoilage est généralement un défi dans le traitement d’image. Les approches de dévoilage existantes basées sur l’apprentissage profond appliquent le modèle de diffusion atmosphérique (ASM), qui provient à l’origine des méthodes de dévoilage traditionnelles.

Cependant, l’ensemble de données entraîné en apprentissage profond ne correspond pas bien à ce modèle pour trois raisons. Tout d’abord, l’illumination atmosphérique dans l’ASM est obtenue à partir d’expériences antérieures, ce qui n’est pas précis pour décongestionner la scène réelle. Deuxièmement, il est difficile d’obtenir la profondeur des scènes extérieures pour ASM. Troisièmement, la brume est un phénomène naturel complexe, et il est difficile de trouver un modèle physique précis et des paramètres associés pour décrire ce phénomène.

Pour relever ce défi, une équipe de recherche dirigée par Fazhi HE a publié ses nouvelles recherches dans Frontières de l’informatique.

L’équipe propose une méthode de boîte noire, dans laquelle le flou est considéré comme un problème de qualité d’image sans utiliser de modèle physique tel que l’ASM. Sur le plan analytique, l’équipe propose une nouvelle équation de dévoilage pour combiner deux mécanismes : l’élément d’interférence et l’élément d’amélioration des détails. L’élément d’interférence estime les informations de voile pour dévoiler l’image, puis l’élément d’amélioration des détails peut réparer et améliorer les détails de l’image dévoilée.

Sur la base de la nouvelle équation, un réseau de désembuage anti-interférence et d’amélioration des détails (AIDEDNet) est conçu, ce qui est radicalement différent des réseaux de désembuage existants en ce que le réseau proposé est introduit dans les images sans voile pour la formation. Plus précisément, une nouvelle façon de construire des patchs de brume sur le vol d’entraînement du réseau est proposée. Le patch est sélectionné au hasard parmi les images d’entrée et l’épaisseur de la brume est également définie au hasard.

À l’avenir, au moins quatre directions seront explorées. Le premier est d’améliorer encore la méthode proposée avec un réseau convolutif multi-échelles et multi-caractéristiques. La seconde est d’appliquer la méthode proposée à d’autres domaines du traitement d’images, tels que le détraînage d’images, le débruitage d’images et la restauration. La troisième consiste à étendre la méthode proposée pour traiter le dévoilage vidéo. La quatrième consiste à étendre l’idée et l’approche proposées aux données 3D.

Fourni par la presse de l’enseignement supérieur