مقاله DPAFNet: شبکه تلفیقی توجه دوگانه برای از بین بردن تک تصویر

چکیده

Rainy weather will have a significant impact on the regular operation of the imaging system. Based on this premise, image rain removal has always been a popular branch of low-level visual tasks, especially methods using deep neural networks. However, most neural networks are but-branched, such as only using convolutional neural networks or Transformers, which is unfavourable for the multidimensional fusion of image features. In order to solve this problem, this paper proposes a dual-branch attention fusion network. Firstly, a two-branch network structure is proposed. Secondly, an attention fusion module is proposed to selectively fuse the features extracted by the two branches rather than simply adding them. Finally, complete ablation experiments and sufficient comparison experiments prove the rationality and effectiveness of the proposed method.

چکیده به فارسی (ترجمه ماشینی)

هوای بارانی تأثیر قابل توجهی در عملکرد منظم سیستم تصویربرداری خواهد داشت.بر اساس این فرض ، حذف باران تصویر همیشه شاخه ای محبوب از کارهای بصری سطح پایین ، به ویژه روش هایی با استفاده از شبکه های عصبی عمیق بوده است.با این حال ، اکثر شبکه های عصبی بسیار شاخه ای هستند ، مانند فقط با استفاده از شبکه های عصبی یا ترانسفورماتورها ، که برای همجوشی چند بعدی از ویژگی های تصویر نامطلوب است.به منظور حل این مشکل ، این مقاله یک شبکه همجوشی توجه دو شاخه ای را ارائه می دهد.در مرحله اول ، یک ساختار شبکه دو شاخه ای ارائه شده است.ثانیا ، یک ماژول همجوشی توجه برای فیوز انتخابی ویژگی های استخراج شده توسط دو شاخه به جای اضافه کردن آنها ارائه شده است.سرانجام ، آزمایش های فرسایش کامل و آزمایش های مقایسه کافی ، عقلانیت و اثربخشی روش پیشنهادی را اثبات می کند.