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

新框架：

Taylor Expanded Multi-head Self-Attention

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。

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！

转载请联系本公众号获得授权