论文标题

Restoring Images in Adverse Weather Conditions via Histogram Transformer 恶劣天气条件下图像恢复：基于直方图变换器

论文链接

Restoring Images in Adverse Weather Conditions via Histogram Transformer论文下载

论文作者

Shangquan Sun, Wenqi Ren, Xinwei Gao, Rui Wang, Xiaochun Cao

内容简介

本文提出了一种高效的直方图变换器（Histoformer），用于恢复受恶劣天气影响的图像。现有的基于Transformer的图像恢复方法通常在通道维度或固定范围内使用自注意力机制，导致在捕捉长距离空间特征方面存在局限性。Histoformer通过引入直方图自注意力机制，将空间特征按强度分段，并在这些区间内或跨区间应用自注意力，从而有效处理动态范围内的相似退化像素。此外，本文还提出了一种动态范围卷积，增强了卷积操作对相似像素的处理能力。为了更好地评估恢复效果，作者利用皮尔逊相关系数作为损失函数，确保恢复的像素与真实值之间的线性关系。大量实验表明，Histoformer在多个数据集上表现出色，证明了其在真实世界图像恢复和下游任务中的有效性。

分点关键点

1. Histoformer框架

   • Histoformer通过引入动态范围直方图自注意力（DHSA）模块，能够有效捕捉天气引起的动态退化特征。该模块将像素值按强度分类到不同的直方图区间，并在这些区间内或跨区间进行自注意力计算，从而实现全局和局部特征的聚合。

2. 动态范围卷积

   • 传统卷积操作的局限性在于其固定的感受野范围，Histoformer通过动态范围卷积技术，重新排列输入特征，使卷积核能够在动态范围内进行计算，从而更好地恢复受天气影响的图像。

3. 皮尔逊相关系数损失函数

   • 传统的像素级损失函数往往忽略了输出与真实值之间的线性关联。Histoformer采用皮尔逊相关系数作为损失函数，确保恢复的像素与真实图像之间保持一致的线性关系，从而提高恢复效果。

4. 实验结果与应用

   • 通过大量实验，Histoformer在多个恶劣天气去除任务中表现出色，超越了现有的最先进方法，证明了其在恢复真实世界图像和增强下游应用（如目标检测）中的有效性。

论文代码

代码链接：https://github.com/your-repo-link (请根据实际情况替换为真实的代码链接)

中文关键词

1. 图像恢复
2. 恶劣天气去除
3. 直方图自注意力
4. 动态范围卷积
5. 皮尔逊相关系数
6. 多尺度特征提取

ECCV论文合集：

ECCV论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！