U-Net-ähnliche spikende neuronale Netze zur Entnebelung einzelner Bilder
U-Net-Like Spiking Neural Networks for Single Image Dehazing
December 30, 2025
papers.authors: Huibin Li, Haoran Liu, Mingzhe Liu, Yulong Xiao, Peng Li, Guibin Zan
cs.AI
papers.abstract
Bildentnebelung ist eine zentrale Herausforderung in der Computer Vision, die für die Verbesserung der Bildklarheit bei dunstigen Bedingungen von entscheidender Bedeutung ist. Traditionelle Methoden stützen sich oft auf atmosphärische Streumodelle, während neuere Deep-Learning-Verfahren, insbesondere Convolutional Neural Networks (CNNs) und Transformer, die Leistung durch effektive Analyse von Bildmerkmalen verbessert haben. Allerdings haben CNNs Schwierigkeiten mit langreichweitigen Abhängigkeiten und Transformer erfordern erhebliche Rechenressourcen. Um diese Einschränkungen zu adressieren, schlagen wir DehazeSNN vor, eine innovative Architektur, die einen U-Net-ähnlichen Aufbau mit Spiking Neural Networks (SNNs) integriert. DehazeSNN erfasst mehrskalige Bildmerkmale und verwaltet gleichzeitig lokale und langreichweitige Abhängigkeiten effizient. Die Einführung des Orthogonal Leaky-Integrate-and-Fire Blocks (OLIFBlock) verbessert die kanalübergreifende Kommunikation, was zu einer überlegenen Entnebelungsleistung bei geringerer Rechenlast führt. Unsere umfangreichen Experimente zeigen, dass DehazeSNN auf Benchmark-Datensätzen mit state-of-the-art Methoden hochgradig wettbewerbsfähig ist und hochwertige nebelfreie Bilder mit einer geringeren Modellgröße und weniger Multiply-Accumulate-Operationen liefert. Die vorgeschlagene Entnebelungsmethode ist öffentlich verfügbar unter https://github.com/HaoranLiu507/DehazeSNN.
English
Image dehazing is a critical challenge in computer vision, essential for enhancing image clarity in hazy conditions. Traditional methods often rely on atmospheric scattering models, while recent deep learning techniques, specifically Convolutional Neural Networks (CNNs) and Transformers, have improved performance by effectively analyzing image features. However, CNNs struggle with long-range dependencies, and Transformers demand significant computational resources. To address these limitations, we propose DehazeSNN, an innovative architecture that integrates a U-Net-like design with Spiking Neural Networks (SNNs). DehazeSNN captures multi-scale image features while efficiently managing local and long-range dependencies. The introduction of the Orthogonal Leaky-Integrate-and-Fire Block (OLIFBlock) enhances cross-channel communication, resulting in superior dehazing performance with reduced computational burden. Our extensive experiments show that DehazeSNN is highly competitive to state-of-the-art methods on benchmark datasets, delivering high-quality haze-free images with a smaller model size and less multiply-accumulate operations. The proposed dehazing method is publicly available at https://github.com/HaoranLiu507/DehazeSNN.