Cgh-Dehazenet: A Lightweight Channel Grouping Half- Convolutional Network With Cross-Attention Refinement for Single Image Dehazing

कंप्यूटर विजन की दुनिया में, मशीनों को मानवीय आंखों की तरह स्पष्ट रूप से दुनिया देखना सिखाने के लिए एक निरंतर संघर्ष बना रहता है। सबसे स्थायी बाधा धुंध (हज) है, एक ऐसी स्थिति जहाँ हवा में निलंबित कण प्रकाश को बिखेर देते हैं, जिससे रंग फीके पड़ जाते हैं और विवरण धुंधले हो जाते हैं। यह केवल एक सौंदर्य संबंधी समस्या नहीं है; यह एक कार्यात्मक समस्या भी है। जब ड्रोन, कार या सुरक्षा प्रणाली पर लगा कैमरा घनी धुंध के बीच से देखता है, तो परिणामी छवि अक्सर इतनी खराब होती है कि सॉफ्टवेयर के लिए वस्तुओं की पहचान करना या सुरक्षित रूप से नेविगेट करना कठिन हो जाता है। दशकों से, वैज्ञानिकों ने भौतिकी-आधारित नियमों का उपयोग करके यह अनुमान लगाने की कोशिश की है कि स्पष्ट छवि कैसी दिखनी चाहिए, लेकिन ये विधियाँ अक्सर तब विफल हो जाती हैं जब वास्तविक दुनिया बहुत जटिल हो जाती है। हाल ही में, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस की ओर रुख किया है, जिसमें डीप लर्निंग नेटवर्क को धुंधली फोटो और स्पष्ट फोटो के बीच के अंतर को सीखने के लिए प्रशिक्षित किया जाता है। हालाँकि, ये शक्तिशाली नेटवर्क अक्सर इतने बड़े और गणनात्मक रूप से भारी होते हैं कि वे उन छोटे, बैटरी से चलने वाले उपकरणों पर नहीं चल सकते जहाँ उनकी सबसे अधिक आवश्यकता होती है।

शोधकर्ताओं की एक टीम ने अब एक नया दृष्टिकोण प्रस्तावित किया है जिसका उद्देश्य इस दुविधा को हल करना है, एक ऐसा सिस्टम बनाना जो अत्यधिक प्रभावी और आश्चर्यजनक रूप से हल्का (लाइटवेट) हो। अपने कार्य में, वे CGH-DehazeNet नामक एक नेटवर्क पेश करते हैं, जिसे एक एकल छवि से धुंध को हटाने के लिए डिज़ाइन किया गया है, और यह वर्तमान अत्याधुनिक तरीकों की तुलना में बहुत कम कंप्यूटिंग पावर का उपयोग करता है। मुख्य विचार कंप्यूटर को अनावश्यक काम करने से रोकना है। एक छवि के हर एक हिस्से को समान भारी मशीनरी के साथ प्रोसेस करने के बजाय, नया सिस्टम डेटा को समूहों में विभाजित करता है और केवल आधे हिस्से पर जटिल गणनाएँ लागू करता है, जबकि दूसरे आधे हिस्से को बिना किसी बदलाव के गुजरने देता है। यह रणनीति, जिसे लेखक 'चैनल ग्रुपिंग हाफ-कन्वोल्यूशन' कहते हैं, महत्वपूर्ण विवरणों को देखने की क्षमता खोए बिना गणनाओं की संख्या को काफी कम कर देती है।

यह सुनिश्चित करने के लिए कि छवि न केवल स्पष्ट हो बल्कि तीक्ष्ण (शार्प) भी हो और उसमें कोई दोष (आर्टिफैक्ट्स) न रहे, शोधकर्ताओं ने इसमें बुद्धिमत्ता की एक दूसरी परत जोड़ी है। कई इमेज-रेस्टोरेशन सिस्टम में, प्रोसेसिंग के शुरुआती चरणों की जानकारी को बाद के चरणों पर बस पेस्ट कर दिया जाता है, जिससे कभी-कभी शोर या त्रुटियां भी साथ आ जाती हैं। नया सिस्टम 'क्रॉस-अटेंशन मैकेनिज्म' का उपयोग करके इससे बचता है। यह एक स्मार्ट फिल्टर की तरह कार्य करता है जो शुरुआती चरणों से आने वाले विवरणों की लगातार बाद के चरणों में विकसित व्यापक समझ के साथ जांच करता है। यह गतिशील रूप से तय करता है कि छवि के किन हिस्सों पर जोर देने की आवश्यकता है और धुंध के कारण होने वाले शोर को कहाँ दबाना है। इसके अलावा, सिस्टम में एक विशिष्ट मॉड्यूल शामिल है जो सूक्ष्म बनावट (टेक्सचर), जैसे कि लकड़ी की बाड़ के दाने या पेड़ की पत्तियां, को पुनः प्राप्त करने के लिए समर्पित है, जो अक्सर धुंधली स्थितियों में सबसे पहले गायब हो जाते हैं।

मौजूदा तकनीकों के मुकाबले इस दृष्टिकोण के परिणाम प्रभावशाली हैं। मानक परीक्षणों पर, जो यह मूल्यांकन करने के लिए डिज़ाइन किए गए हैं कि एक सिस्टम धुंध को कितनी अच्छी तरह हटाता है, नए नेटवर्क ने 40 डेसिबल से अधिक का स्कोर प्राप्त किया, जो स्पष्टता का एक ऐसा स्तर है जो वर्तमान में उपलब्ध सर्वश्रेष्ठ तरीकों की टक्कर का है। जो बात इस उपलब्धि को विशेष रूप से उल्लेखनीय बनाती है, वह है इसकी लागत। जबकि अन्य शीर्ष प्रदर्शन करने वाले नेटवर्क को कार्य करने के लिए करोड़ों पैरामीटर्स की आवश्यकता हो सकती है, यह नया मॉडल केवल लगभग 1.9 मिलियन के साथ काम करता है। कच्चे कंप्यूटिंग पावर के मामले में, इसे अपने निकटतम प्रतिस्पर्धियों के आधे से भी कम संसाधनों की आवश्यकता होती है। शोधकर्ताओं ने सिस्टम का परीक्षण इनडोर और आउटडोर दृश्यों के साथ-साथ सिंथेटिक धुंधली छवियों के एक बड़े डेटासेट पर किया, और इसने गति और गुणवत्ता दोनों में पुराने तरीकों को लगातार पछाड़ दिया।

इस परियोजना की सफलता कुछ विशिष्ट डिजाइन विकल्पों पर निर्भर करती है जो आर्टिफिशियल इंटेलिजेंस में पारंपरिक "बड़ा ही बेहतर है" वाली मानसिकता को खारिज करते हैं। लेखक तर्क देते हैं कि केवल अधिक परतों को जोड़ना या नेटवर्क को बड़ा बनाना धुंध की समस्या को हल करने का एक अक्षम तरीका है। इसके बजाय, उन्होंने एक ऐसा नेटवर्क डिजाइन करके दक्षता पर ध्यान केंद्रित किया जो यह समझ सके कि अपनी ऊर्जा कहाँ खर्च करनी है। एक विशेष सक्रियण फ़ंक्शन (एक्टिवेशन फंक्शन) का उपयोग करके, जो सिस्टम को नकारात्मक मानों को अधिक सुचारू रूप से संभालने की अनुमति देता है, नेटवर्क अपनी सीखने की प्रक्रिया के दौरान अटकने से बच जाता है। यह इसे अधिक प्रभावी ढंग से प्रशिक्षित होने और अधिक स्थिर परिणाम देने में सक्षम बनाता है। टीम ने यह भी पाया कि केवल नेटवर्क के मध्य में अधिक विवरण बढ़ाने वाले ब्लॉक्स जोड़ने से प्रदर्शन में सबसे बड़ा उछाल मिला, जो यह सुझाव देता है कि प्रक्रिया का सबसे महत्वपूर्ण हिस्सा छवि के केंद्र में उच्च-आवृत्ति वाली बनावट (हाई-फ्रीक्वेंसी टेक्सचर) का सावधानीपूर्वक पुनर्निर्माण करना है।

अंततः, यह कार्य प्रदर्शित करता है कि उच्च-गुणवत्ता वाला इमेज रेस्टोरेशन करने के लिए विशाल, ऊर्जा की खपत करने वाले कंप्यूटरों की आवश्यकता नहीं है। नया नेटवर्क यह सिद्ध करता है कि एक ऐसा सिस्टम बनाना संभव है जो मोबाइल उपकरणों या एम्बेडेड सिस्टम पर चलने के लिए पर्याप्त छोटा हो और फिर भी पेशेवर-ग्रेड के परिणाम दे सके। शोधकर्ताओं ने दिखाया है कि सूचना को संसाधित करने के तरीके में स्मार्ट बनकर—चैनलों को समूहबद्ध करके, अटेंशन के साथ फीचर्स को परिष्कृत करके, और टेक्सचर रिकवरी पर ध्यान केंद्रित करके—वे स्पष्टता का एक ऐसा स्तर प्राप्त कर सकते हैं जिसके लिए पहले बहुत भारी मशीनरी की आवश्यकता मानी जाती थी। यह उन्नत विजन सिस्टम को वास्तविक दुनिया के परिदृश्यों में तैनात करने का मार्ग प्रशस्त करता है जहाँ बिजली और स्थान सीमित है, जैसे कि कोहरे के बीच नेविगेट करने वाले स्वायत्त वाहन या दूरस्थ क्षेत्रों की निगरानी करने वाले ड्रोन। निष्कर्ष बताते हैं कि इमेज रेस्टोरेशन का भविष्य बड़े मॉडल बनाने में नहीं, बल्कि अधिक कुशल मॉडल डिजाइन करने में निहित है।