更快、更灵活的Transformer图像去雾网络

点击蓝字 关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

代码获取 | 回复“去雾”获取源代码

计算机视觉研究院专栏

Column of Computer Vision Institute

介绍了一种新的多支路线性Transformer网络，称为MB-TaylorFormer，能够有效且高效的进行图像去雾任务。

01

摘要

02

新框架

新框架：

Taylor Expanded Multi-head Self-Attention

03

实验

Main Results

上图给出了合成数据集与真实数据上的视觉效果对比，可以看到：MB-TaylorFormer不仅在阴影处更好的恢复了细节，同时也有效的避免了伪影和色偏。

03

Ablation Studies

Effectiveness of multi-scale attention refinement module

上表表明MSAR模块的设计能够以一种极轻量化的设计有效提升TaylorFormer的性能

Comparison with other linear self-attention modules

上表通过T-MSA和多种不同的线性Transformer的对比，证明了T-MSA在去雾任务上的有效性。

实验室介绍

中山大学智能工程学院的前沿视觉实验室（FVL主页：https://fvl2020.github.io/fvl.github.com/）由学院金枝副教授建设并维护，实验室目前聚焦在图像/视频质量增强、视频编解码、3D 重建和无接触人体生命体征监测等领域的研究。旨在优化从视频图像的采集、传输到增强以及服务后端应用的完整周期。我们的目标是开发通用的概念和轻量化的方法。为了应对这些挑战，我们将持之以恒地进行相关的研究，并与其他实验室进行合作，希望利用更多关键技术，解决核心问题。长期欢迎有志之士加入我们！

© THE END 

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

 往期推荐 

🔗

• Drone-YOLO：一种有效的无人机图像目标检测
  

• 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题

• 2PCNet：昼夜无监督域自适应目标检测（附原代码）

• YOLO-S：小目标检测的轻量级、精确的类YOLO网络

• 大改Yolo框架 |  能源消耗极低的目标检测新框架（附论文下载）

• 改进的检测算法：用于高分辨率光学遥感图像目标检测
  

• 小米平板6 Max-Yolo：在便携终端上实时检测不再是难题

• 旋转角度目标检测的重要性！！！（附源论文下载）
  

• PE-YOLO：解决黑夜中的目标检测难点

• EdgeYOLO：边缘设备上实时运行的目标检测器及Pytorch实现

• Q-YOLO：用于实时目标检测的高效推理

• 首个全量化Vision Transformer的方法FQ-ViT，AI大模型落地不远了！
  

• YoloV8与ChatGPT互通，这功能是真的强大！
  

• GPT理解的CV：基于Yolov5的半监督目标检测