U-Net-achtige Spiking Neurale Netwerken voor Dehazing van Enkele Afbeeldingen
U-Net-Like Spiking Neural Networks for Single Image Dehazing
December 30, 2025
Auteurs: Huibin Li, Haoran Liu, Mingzhe Liu, Yulong Xiao, Peng Li, Guibin Zan
cs.AI
Samenvatting
Beeldontmisting is een cruciale uitdaging in de computervisie, essentieel voor het verbeteren van beeldhelderheid onder mistige omstandigheden. Traditionele methoden baseren zich vaak op atmosferische verstrooiingsmodellen, terwijl recente deep learning-technieken, specifiek Convolutionele Neurale Netwerken (CNN's) en Transformers, de prestaties hebben verbeterd door beeldkenmerken effectief te analyseren. Echter, CNN's worstelen met afhankelijkheden over lange afstand, en Transformers vereisen aanzienlijke rekenbronnen. Om deze beperkingen aan te pakken, stellen wij DehazeSNN voor, een innovatieve architectuur die een U-Net-achtig ontwerp integreert met Spiking Neural Networks (SNN's). DehazeSNN vangt multi-schaal beeldkenmerken terwijl het lokale en afhankelijkheden over lange afstand efficiënt beheert. De introductie van het Orthogonal Leaky-Integrate-and-Fire Blok (OLIFBlock) verbetert de communicatie tussen kanalen, wat resulteert in superieure ontmistingsprestaties met een verminderde rekenlast. Onze uitgebreide experimenten tonen aan dat DehazeSNN zeer concurrerend is met state-of-the-art methoden op benchmarkdatasets, en hoogwaardige mistvrije beelden levert met een kleiner modelformaat en minder multiply-accumulate bewerkingen. De voorgestelde ontmistingsmethode is openbaar beschikbaar op 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.