摘要:针对去雾图像边缘细节不够清晰,以及现有U-Net去雾网络大多对频域信息的挖掘不够充分、忽略了不同通道之间的信息交流从而导致结构模糊的问题,提出了频域特征蒸馏的双尺度融合网络来实现单幅图像的有效去雾。在粗尺度特征提取子网中采用大尺度的卷积核提取图像的纹理信息,利用残差注意力机制增强与雾霾相关的特征。在细尺度高频融合子网中,设计了高频特征蒸馏模块用来细化提取到的结构和边缘信息,并逐步恢复清晰的图像;同时采用交叉融合策略对不同通道的特征进行融合。实验结果表明,与MSTN(Efficient and Accurate Multi-Scale Topological Network)算法相比,在室外图像数据集上的峰值信噪比和结构相似度分别提高了9.98%和4.77%。在不同数据集上的实验结果均表明所提出的方法表现出了更良好的去雾性能。该方法可以有效提高去雾的效果,保留更多的结构信息,具有更好的颜色细节恢复能力。
摘要:降维对于数据的可视化和预处理具有重要意义,主成分分析作为最常用的无监督降维算法之一,在实际应用中面临着对噪声和离群点敏感的问题。为了解决这个问题,研究者们提出了多种鲁棒主成分分析算法,通过减小整体样本的重构误差来减小离群点的影响。然而,这些算法忽略了数据的固有局部结构,导致数据的本质结构信息丢失,从而影响了对噪声和离群点的准确辨识和移除,进而影响了后续算法的性能。因此,该文提出了基于Soft均值滤波的鲁棒主成分分析(Robust Principal Component Analysis Based on Soft Mean Filtering,RPCA-SMF)算法。RPCA-SMF采用Soft均值滤波的思想,通过两步走的形式,不仅在模型学习前对噪声处理,同时在模型学习后也引入了噪声处理机制。具体而言,RPCA-SMF算法首先引入了均值滤波的相关思想,通过对比样本与其局部近邻这两者和局部均值的偏差对样本进行Soft加权,从而对噪声进行判定。随后,通过第一步获取的关于噪声的“判别知识”处理噪声信息。由于均值滤波能有效保留数据的整体轮廓信息,因此对于被识别为噪声的样本,RPCA-SMF算法强调保留其低频整体轮廓信息,而非高频的噪声信息。这样能够有效地保留数据中的有用信息,提高对数据整体结构特征的保留能力,使得算法具有较强的鲁棒性和较好的泛化性。