Réseaux de Neurones à Impulsions de Type U-Net pour le Débruitage d'Image Unique par Brume

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

La suppression de brume d'image constitue un défi majeur en vision par ordinateur, essentielle pour améliorer la clarté des images dans des conditions brumeuses. Les méthodes traditionnelles s'appuient souvent sur des modèles de diffusion atmosphérique, tandis que les techniques récentes d'apprentissage profond, notamment les réseaux neuronaux convolutifs (CNN) et les Transformers, ont amélioré les performances en analysant efficacement les caractéristiques des images. Cependant, les CNN peinent à capturer les dépendances à longue portée, et les Transformers exigent d'importantes ressources computationnelles. Pour remédier à ces limitations, nous proposons DehazeSNN, une architecture innovante qui intègre une conception de type U-Net avec des réseaux neuronaux à impulsions (SNN). DehazeSNN capture les caractéristiques multi-échelles des images tout en gérant efficacement les dépendances locales et à longue portée. L'introduction du bloc orthogonal de type Leaky-Integrate-and-Fire (OLIFBlock) améliore la communication inter-canaux, permettant d'obtenir des performances de débrumage supérieures avec une charge computationnelle réduite. Nos expérimentations approfondies montrent que DehazeSNN est très compétitif par rapport aux méthodes de l'état de l'art sur des bases de données de référence, produisant des images de haute qualité sans brume avec une taille de modèle réduite et moins d'opérations de multiplication-accumulation. La méthode de débrumage proposée est disponible publiquement à l'adresse 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.