Redes Neurais de Picos (SNNs) do Tipo U-Net para Remoção de Névoa em Imagem Única
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
Resumo
A remoção de nevoeiro em imagens é um desafio crítico na visão computacional, essencial para melhorar a clareza das imagens em condições de neblina. Os métodos tradicionais frequentemente dependem de modelos de espalhamento atmosférico, enquanto técnicas recentes de aprendizado profundo, especificamente Redes Neurais Convolucionais (CNNs) e Transformers, melhoraram o desempenho ao analisar eficazmente as características da imagem. No entanto, as CNNs têm dificuldade com dependências de longo alcance, e os Transformers exigem recursos computacionais significativos. Para superar essas limitações, propomos o DehazeSNN, uma arquitetura inovadora que integra um design semelhante à U-Net com Redes Neurais Pulsadas (SNNs). O DehazeSNN captura características de imagem em múltiplas escalas enquanto gerencia eficientemente dependências locais e de longo alcance. A introdução do Bloco Ortogonal de Integração e Disparo com Vazamento (OLIFBlock) melhora a comunicação entre canais, resultando em um desempenho superior de remoção de nevoeiro com uma carga computacional reduzida. Nossos experimentos extensivos mostram que o DehazeSNN é altamente competitivo em relação aos métodos state-of-the-art em conjuntos de dados de referência, fornecendo imagens de alta qualidade sem nevoeiro com um tamanho de modelo menor e menos operações de multiplicação e acumulação. O método de remoção de nevoeiro proposto está publicamente disponível em 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.