Core Concepts
提出了一种端到端的可见光-红外融合图像去雾框架,通过深度结构特征提取和不一致性融合策略,有效地利用了两种模态的互补优势,从而在各种雾浓度条件下都能恢复出高质量的去雾图像。
Abstract
本文提出了一种端到端的可见光-红外融合图像去雾框架VIFNet。在深度特征提取阶段,采用了编码-解码架构和深度结构特征提取(DSFE)模块,通过通道-像素注意力机制捕捉更多的空间和边缘信息。在特征加权融合阶段,引入了不一致性融合策略,动态调整两种模态之间的融合权重,以强调更可靠和一致的信息。此外,本文还基于AirSim仿真平台构建了一个可见光-红外图像去雾数据集AirSim-VID。实验结果表明,与现有方法相比,VIFNet在各种雾浓度条件下都能取得更好的去雾性能。
Stats
在雾浓度较小(雾)的情况下,VIFNet的PSNR比现有最佳方法高2.24dB。
在中等雾浓度下,VIFNet的PSNR比现有最佳方法高3.01dB。
在高雾浓度(密雾)下,VIFNet的PSNR比现有最佳方法高8.65dB。