跳到正文
原文
Scientific Reports· Baowen Wu, Yong Luo, Ruijiao Hu 等 4 人

学习一种密度引导的自适应脉冲网络用于遥感图像去雾

Learning a density-guided adaptive spiking network for remote sensing image dehazing

AI 导读

DASNet 通过雾密度估计分支预测空间雾密度,并据此动态调整脉冲神经元膜电位,实现遥感图像分区去雾。

摘要 · AI 翻译

遥感图像常因大气雾霾而退化,导致可见度降低和结构信息丢失。尽管脉冲神经网络(SNN)已展现出高效图像恢复的潜力,但现有方法尚未将空间雾霾密度显式地纳入神经元动力学,限制了其对非均匀雾霾退化的适应能力。本文提出 DASNet,一种用于遥感图像去雾的密度引导自适应脉冲网络。与现有基于 SNN 的恢复方法不同,DASNet 通过轻量级雾霾密度估计(HDE)分支将雾霾退化感知引入神经元动力学,该分支从含雾观测中预测空间雾霾密度分布。基于估计的密度图,我们设计了一种自适应雾霾感知泄漏积分发放(AH-LIF)神经元,它根据不同的雾霾水平动态调整膜电位演化,从而实现区域特定的时间信息聚合。具体而言,重度退化区域可通过增强的膜积分保留更多历史信息,而轻度退化区域则保持快速响应以保留细节。此外,引入了一种伪雾霾密度监督策略,利用成对的含雾与清晰遥感图像来提高密度估计精度。在公开遥感图像去雾基准上的大量实验表明,DASNet 在保持脉冲神经网络效率优势的同时,取得了具有竞争力的恢复性能。

中文由 AI 翻译,仅供参考,以原文为准。

来源:Scientific Reports · nature.com

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。