ترجمه فارسی مقاله Expomamba: بهره برداری از بلوک های SSM فرکانس برای تقویت تصویر کارآمد و مؤثر

چکیده

Low-light image enhancement remains a challenging task in computer vision, with existing state-of-the-art models often limited by hardware constraints and computational inefficiencies, particularly in handling high-resolution images. Recent foundation models, such as transformers and diffusion models, despite their efficacy in various domains, are limited in use on edge devices due to their computational complexity and slow inference times. We introduce ExpoMamba, a novel architecture that integrates components of the frequency state space within a modified U-Net, offering a blend of efficiency and effectiveness. This model is specifically optimized to address mixed exposure challenges, a common issue in low-light image enhancement, while ensuring computational efficiency. Our experiments demonstrate that ExpoMamba enhances low-light images up to 2-3x faster than traditional models with an inference time of 36.6 ms and achieves a PSNR improvement of approximately 15-20% over competing models, making it highly suitable for real-time image processing applications.

چکیده به فارسی (ترجمه ماشینی)

تقویت تصویر کم نور همچنان یک کار چالش برانگیز در دید رایانه است ، با مدل های پیشرفته موجود که اغلب با محدودیت های سخت افزاری و ناکارآمدی محاسباتی ، به ویژه در برخورد با تصاویر با وضوح بالا محدود می شوند.مدلهای بنیاد اخیر ، مانند ترانسفورماتورها و مدل های انتشار ، با وجود اثربخشی آنها در حوزه های مختلف ، به دلیل پیچیدگی محاسباتی و زمان استنباط آهسته ، در دستگاه های Edge محدود هستند.ما Expomamba را معرفی می کنیم ، یک معماری جدید که اجزای فضای حالت فرکانس را در یک شبکه U اصلاح شده ادغام می کند و ترکیبی از کارآیی و اثربخشی را ارائه می دهد.این مدل به طور خاص برای رسیدگی به چالش های قرار گرفتن در معرض مختلط ، یک مسئله مشترک در تقویت تصویر کم نور ، ضمن اطمینان از راندمان محاسباتی ، بهینه شده است.آزمایشات ما نشان می دهد که Expomamba تصاویر کم نور را تا 2-3 برابر سریعتر از مدل های سنتی با زمان استنتاج 36.6 میلی ثانیه افزایش می دهد و به پیشرفت PSNR تقریباً 15-20 ٪ نسبت به مدل های رقیب دست می یابد ، و آن را برای تصویر در زمان واقعی بسیار مناسب می کندپردازش برنامه ها