Reti Neurali a Spike Simili a U-Net per la Rimozione della Foschia da Immagini Singole
U-Net-Like Spiking Neural Networks for Single Image Dehazing
December 30, 2025
Autori: Huibin Li, Haoran Liu, Mingzhe Liu, Yulong Xiao, Peng Li, Guibin Zan
cs.AI
Abstract
La rimozione della foschia dalle immagini rappresenta una sfida cruciale nel campo della visione artificiale, essenziale per migliorare la nitidezza delle immagini in condizioni di foschia. I metodi tradizionali si basano spesso su modelli di scattering atmosferico, mentre le recenti tecniche di deep learning, in particolare le Reti Neurali Convoluzionali (CNN) e i Transformer, hanno migliorato le prestazioni analizzando efficacemente le caratteristiche delle immagini. Tuttavia, le CNN mostrano limitazioni nel modellare dipendenze a lungo raggio, mentre i Transformer richiedono risorse computazionali significative. Per affrontare queste limitazioni, proponiamo DehazeSNN, un'architettura innovativa che integra un design simil-U-Net con le Reti Neurali a Spiking (SNN). DehazeSNN cattura le caratteristiche multiscala delle immagini gestendo efficientemente sia le dipendenze locali che quelle a lungo raggio. L'introduzione del Blocco Orthogonal Leaky-Integrate-and-Fire (OLIFBlock) potenzia la comunicazione cross-canale, determinando prestazioni di rimozione della foschia superiori con un carico computazionale ridotto. I nostri esperimenti mostrano che DehazeSNN è altamente competitivo rispetto ai metodi allo stato dell'arte su dataset di benchmark, producendo immagini prive di foschia di alta qualità con dimensioni del modello ridotte e minori operazioni di moltiplicazione-accumulo. Il metodo proposto è pubblicamente disponibile all'indirizzo 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.