Redes Neuronales de Picos de Tipo U-Net para la Eliminación de Niebla en Imágenes Únicas
U-Net-Like Spiking Neural Networks for Single Image Dehazing
December 30, 2025
Autores: Huibin Li, Haoran Liu, Mingzhe Liu, Yulong Xiao, Peng Li, Guibin Zan
cs.AI
Resumen
La eliminación de niebla en imágenes es un desafío crítico en visión por computadora, esencial para mejorar la claridad de las imágenes en condiciones de neblina. Los métodos tradicionales a menudo se basan en modelos de dispersión atmosférica, mientras que las técnicas recientes de aprendizaje profundo, específicamente las Redes Neuronales Convolucionales (CNN) y los Transformers, han mejorado el rendimiento al analizar eficazmente las características de la imagen. Sin embargo, las CNN presentan dificultades con las dependencias de largo alcance, y los Transformers requieren recursos computacionales significativos. Para abordar estas limitaciones, proponemos DehazeSNN, una arquitectura innovadora que integra un diseño tipo U-Net con Redes Neuronales Pulsantes (SNN). DehazeSNN captura características de imagen multi-escala mientras gestiona eficientemente las dependencias locales y de largo alcance. La introducción del Bloque Ortogonal de Fuga-Integración-y-Disparo (OLIFBlock) mejora la comunicación entre canales, resultando en un rendimiento de eliminación de niebla superior con una carga computacional reducida. Nuestros extensos experimentos demuestran que DehazeSNN es altamente competitivo frente a los métodos de vanguardia en conjuntos de datos de referencia, produciendo imágenes libres de niebla de alta calidad con un tamaño de modelo más pequeño y menos operaciones de multiplicación-acumulación. El método de eliminación de niebla propuesto está disponible públicamente en 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.