U-Net-подобные спайковые нейронные сети для удаления дымки с одиночных изображений

U-Net-Like Spiking Neural Networks for Single Image Dehazing

December 30, 2025

Авторы: Huibin Li, Haoran Liu, Mingzhe Liu, Yulong Xiao, Peng Li, Guibin Zan

cs.AI

Аннотация

Удаление дымки с изображений является важной задачей компьютерного зрения, необходимой для повышения четкости изображений в условиях тумана. Традиционные методы часто опираются на модели атмосферного рассеяния, тогда как современные методы глубокого обучения, в частности сверточные нейронные сети (CNN) и трансформеры, улучшили производительность за счет эффективного анализа признаков изображения. Однако CNN плохо справляются с длинными зависимостями, а трансформеры требуют значительных вычислительных ресурсов. Для преодоления этих ограничений мы предлагаем DehazeSNN — инновационную архитектуру, объединяющую U-образную структуру с импульсными нейронными сетями (SNN). DehazeSNN захватывает многомасштабные признаки изображения, эффективно управляя как локальными, так и длинными зависимостями. Введение ортогонального блока Leaky-Integrate-and-Fire (OLIFBlock) улучшает межканальную коммуникацию, что обеспечивает превосходное качество удаления дымки при сниженной вычислительной нагрузке. Проведенные эксперименты демонстрируют, что DehazeSNN обладает высокой конкурентоспособностью по сравнению с современными методами на эталонных наборах данных, обеспечивая получение высококачественных изображений без дымки при меньшем размере модели и сокращенном количестве операций умножения-накопления. Предложенный метод удаления дымки общедоступен по адресу 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.