水下图像去雾snnTrans-DHZ: A Lightweight Spiking Neural Network Architecture for Underwater Image Dehazing-CSDN博客

本文链接：https://blog.csdn.net/Qing__er/article/details/147471677

论文作者：Vidya Sudevan,Fakhreddine Zayer,Rizwana Kausar,Sajid Javed,Hamad Karki,Giulia De Masi,Jorge Dias

作者单位：Khalifa University;Sorbonne University

内容简介：

1）方向：水下图像去雾

2）应用：水下图像去雾

3）背景：由于水下环境中光的散射与吸收会严重影响图像的可视性，因此提高水下图像清晰度成为实现高效海洋视觉操作的关键。传统方法往往在功耗、模型复杂度或图像质量上存在不足，亟需高效、低能耗的新型去雾模型。

4）方法：本文提出了一种基于脉冲神经网络（Spiking Neural Network, SNN）的新型架构——snnTrans-DHZ。snnTrans-DHZ 采用了SNN的时间动态特性来高效处理时间相关的原始图像序列。首先通过多次输入同一静态图像，将其转化为时间依赖的序列，并转换为RGB和LAB颜色空间表示进行并行处理。网络结构包括三个主要模块：（i）K估计器，用于提取多颜色空间下的图像特征；（ii）背景光估计器，联合RGB-LAB图像推断背景光分量；（iii）软图像重建模块，用于生成无雾增强图像。该模型采用代理梯度的时间反向传播算法（BPTT）进行端到端训练，并结合了一种新的复合损失函数。

5）结果：在UIEB数据集上，该模型取得了21.68 dB的PSNR和0.8795的SSIM，在EUVP数据集上分别达到23.46 dB和0.8439，表现优于现有先进去雾方法。同时，snnTrans-DHZ模型仅包含约56.7万参数，计算量为7.42 GSOPs，能耗仅为0.0151焦耳，展现出极高的能效比和应用价值。