更快、更灵活的Transformer图像去雾网络

更快、更灵活的Transformer图像去雾网络

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

0、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偏。

0、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：.github/）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、D 重建和无接触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！