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

In de wereld van computer vision is er een constante strijd om machines te leren de wereld zo helder te zien als het menselijk oog dat doet. Een van de meest hardnekkige obstakels is nevel, een conditie waarbij zwevende deeltjes in de lucht het licht verstrooien, waardoor kleuren vervagen en details wazig worden. Dit is niet alleen een esthetisch probleem; het is een functioneel probleem. Wanneer een camera op een drone, een auto of een beveiligingssysteem door dikke mist kijkt, is het resulterende beeld vaak te gedegradeerd voor de software om objecten te identificeren of veilig te navigeren. Decennialang hebben wetenschappers geprobeerd dit op te lossen door gebruik te maken van natuurkundige regels om te raden hoe het heldere beeld eruit zou moeten zien, maar deze methoden falen vaak wanneer de echte wereld te complex wordt. Recentelijk hebben onderzoekers zich tot kunstmatige intelligentie gewend, waarbij ze deep learning-netwerken trainen om het verschil te leren tussen een nevelige foto en een heldere foto. Deze krachtige netwerken zijn echter vaak zo groot en rekenintensief dat ze niet kunnen draaien op de kleine, op batterijen werkende apparaten waar ze het hardst nodig zijn.

Een team van onderzoekers heeft nu een nieuwe aanpak voorgesteld die ernaar streeft dit dilemma op te lossen door een systeem te bouwen dat zowel zeer effectief als verrassend lichtgewicht is. In hun werk introduceren zij een netwerk genaamd CGH-DehazeNet, ontworpen om de nevel uit een enkele afbeelding te verwijderen terwijl het slechts een fractie van de rekenkracht gebruikt die vereist is door de huidige state-of-the-art methoden. Het kernidee is om de computer te laten stoppen met onnodig werk te verrichten. In plaats van elk afzonderlijk stukje informatie in een afbeelding te verwerken met dezelfde zware machinerie, splitst het nieuwe systeem de data in groepen en past alleen complexe berekeningen toe op de helft van hen, terwijl de andere helft onveranderd doorgaat. Deze strategie, die de auteurs channel grouping half-convolution noemen, vermindert het aantal benodigde berekeningen drastisch zonder het vermogen te verliezen om belangrijke details te zien.

Om ervoor te zorgen dat de afbeelding niet alleen helder wordt, maar ook scherp en vrij van artefacten, hebben de onderzoekers een tweede laag intelligentie toegevoegd. In veel systemen voor beeldherstel wordt informatie uit vroege stadia van de verwerking simpelweg op latere stadia geplakt, wat soms ruis of fouten kan overdragen. Het nieuwe systeem vermijdt dit door een cross-attention mechanisme te gebruiken. Dit werkt als een slim filter dat voortdurend de details uit de vroege stadia controleert tegenover het bredere begrip dat in latere stadia is ontwikkeld. Het beslist dynamisch welke delen van de afbeelding benadigd moeten worden en welke delen van de door nevel veroorzaakte ruis onderdrukt moeten worden. Bovendien bevat het systeem een specifieke module die gewijd is aan het herstellen van fijne texturen, zoals de nerf van een houten hek of de bladeren aan een boom, die vaak de eerste dingen zijn die verdwijnen onder nevelige omstandigheden.

De resultaten van deze aanpak zijn opmerkelijk wanneer ze worden gemeten tegenover bestaande technologieën. Op standaardtests die evalueren hoe goed een systeem nevel verwijdert, behaalde het nieuwe netwerk een score die de 40 decibel overschreed, een niveau van helderheid dat wedijvert met de beste methoden die momenteel beschikbaar zijn. Wat deze prestatie bijzonder opmerkelijk maakt, is de kosten. Terwijl andere top-presterende netwerken mogelijk honderden miljoenen parameters nodig hebben om te functioneren, werkt dit nieuwe model met slechts ongeveer 1,9 miljoen. Wat betreft de ruwe rekenkracht die nodig is om het systeem te draaien, vereist het minder dan de helft van de middelen van zijn dichtstbijzijnde concurrenten. De onderzoekers hebben het systeem getest op zowel binnen- als buitenopnames, evenals op een grote dataset van synthetische nevelige afbeeldingen, en het presteerde consequent beter dan oudere methoden in zowel snelheid als kwaliteit.

Het succes van dit project rust op een paar specifieke ontwerpkeuzes die de traditionele "groter is beter"-mentaliteit in kunstmatige intelligentie verwerpen. De auteurs stellen dat het simpelweg stapelen van meer lagen of het groter maken van netwerken een inefficiënte manier is om het probleem van nevel op te lossen. In plaats daarvan richtten zij zich op efficiëntie door een netwerk te ontwerpen dat begrijpt waar het zijn energie aan moet besteden. Door een gespecialiseerde activatiefunctie te gebruiken die het systeem in staat stelt om negatieve waarden soepeler af te handelen, voorkomt het netwerk dat het tijdens het leerproces vastloopt. Dit stelt het in staat om effectiever te trainen en een stabieler resultaat te produceren. Het team kwam ook tot de conclusie dat het simpelweg toevoegen van meer detailverbeterende blokken aan het midden van het netwerk de grootste boost in prestaties gaf, wat suggereert dat het meest kritieke deel van het proces de zorgvuldige reconstructie van hoogfrequente texturen in het centrum van de afbeelding is.

Uiteindelijk demonstreert dit werk dat hoogwaardige beeldherstel niet massieve, energieverslindende computers vereist. Het nieuwe netwerk bewijst dat het mogelijk is om een systeem te bouwen dat klein genoeg is om te draaien op mobiele apparaten of ingebedde systemen, terwijl het nog steeds professionele resultaten levert. De onderzoekers hebben aangetoond dat door slimmer te zijn in hoe ze informatie verwerken — door kanalen te groeperen, kenmerken te verfijnen met aandacht en te focussen op de herstel van texturen — ze een niveau van helderheid kunnen bereiken dat voorheen werd geacht een veel zwaardere machinerie te vereisen. Dit opent de deur naar de inzet van geavanceerde visiesystemen in real-world scenario's waar vermogen en ruimte beperkt zijn, van autonome voertuigen die door mist navigeren tot drones die afgelegen gebieden monitoren. De bevindingen suggereren dat de toekomst van beeldherstel niet ligt in het bouwen van grotere modellen, maar in het ontwerpen van efficiëntere modellen.