点击蓝字 关注我们
关注并星标
从此不迷路
公众号ID｜计算机视觉研究院
学习群｜扫码在主页获取加入方式
代码获取 | 回复“去雾”获取源代码
计算机视觉研究院专栏
Column of Computer Vision Institute
01
摘要
02
新框架
新框架：
Taylor Expanded Multi-head Self-Attention
03
实验
Main Results
上图给出了合成数据集与真实数据上的视觉效果对比，可以看到：MB-TaylorFormer不仅在阴影处更好的恢复了细节，同时也有效的避免了伪影和色偏。
03
Ablation Studies
Effectiveness of multi-scale attention refinement module
上表表明MSAR模块的设计能够以一种极轻量化的设计有效提升TaylorFormer的性能
Comparison with other linear self-attention modules
上表通过T-MSA和多种不同的线性Transformer的对比，证明了T-MSA在去雾任务上的有效性。
实验室介绍
中山大学智能工程学院的前沿视觉实验室（FVL主页：https://fvl2020.github.io/fvl.github.com/）由学院金枝副教授建设并维护，实验室目前聚焦在图像/视频质量增强、视频编解码、3D 重建和无接触人体生命体征监测等领域的研究。旨在优化从视频图像的采集、传输到增强以及服务后端应用的完整周期。我们的目标是开发通用的概念和轻量化的方法。为了应对这些挑战，我们将持之以恒地进行相关的研究，并与其他实验室进行合作，希望利用更多关键技术，解决核心问题。长期欢迎有志之士加入我们！
转载请联系本公众号获得授权
计算机视觉研究院学习群等你加入！
ABOUT
计算机视觉研究院
往期推荐
🔗
Drone-YOLO：一种有效的无人机图像目标检测 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题 2PCNet：昼夜无监督域自适应目标检测（附原代码） YOLO-S：小目标检测的轻量级、精确的类YOLO网络 大改Yolo框架 | 能源消耗极低的目标检测新框架（附论文下载） 改进的检测算法：用于高分辨率光学遥感图像目标检测 小米平板6 Max-Yolo：在便携终端上实时检测不再是难题 旋转角度目标检测的重要性！！！（附源论文下载） PE-YOLO：解决黑夜中的目标检测难点 EdgeYOLO：边缘设备上实时运行的目标检测器及Pytorch实现 Q-YOLO：用于实时目标检测的高效推理 首个全量化Vision Transformer的方法FQ-ViT，AI大模型落地不远了！ YoloV8与ChatGPT互通，这功能是真的强大！ GPT理解的CV：基于Yolov5的半监督目标检测
