Description du prompt

L'image d'entrée est d'abord débruitée par un module de débruitage, puis entre dans le module de fusion du domaine fréquentiel des caractéristiques PSF pour réaliser la déconvolution. Ce dernier comporte deux branches de déconvolution, une pour la déconvolution au niveau de l'image et une pour la déconvolution au niveau des caractéristiques. L'utilisation de deux branches prend en compte deux problèmes fondamentaux dans les scénarios complexes d'imagerie sous-marine. D'une part, la déconvolution au niveau de l'image est susceptible d'amplifier le bruit et de provoquer des artefacts. La déconvolution est essentiellement un processus d'amélioration des hautes fréquences. Lorsque le rapport signal/bruit (SNR) est faible (comme dans les environnements en eaux profondes à faible luminosité et à forte diffusion), et lorsqu'il y a des erreurs dans la PSF, le bruit du capteur et les erreurs de quantification seront considérablement amplifiés, entraînant des effets de sonnerie, de dépassement ou de fausses textures dans l'image reconstruite. Ces artefacts peuvent être mal interprétés comme des caractéristiques cibles par les réseaux de reconnaissance ultérieurs, ce qui peut réduire la robustesse de la reconnaissance. D'autre part, la dégradation au niveau des caractéristiques n'est pas explicitement modélisée. Même si l'image semble "nette", les caractéristiques sémantiques de haut niveau extraites par le réseau neuronal profond peuvent encore être déformées en raison de la dégradation d'origine (par exemple, décalage de la réponse des bords, atténuation de l'énergie de la texture). Si l'on ne s'appuie que sur la restauration au niveau de l'image, il n'est pas garanti que la discrimination dans l'espace des caractéristiques sera restaurée. Pour la branche de déconvolution au niveau de l'image, l'image est déconvoluée pour générer la première image reconstruite initiale ; pour la branche de déconvolution au niveau des caractéristiques, l'image est transmise à travers un module d'extraction de caractéristiques (FM) pour obtenir une série de cartes de caractéristiques, qui sont filtrées par l'inverse de Wiener et restaurées en la deuxième image reconstruite initiale via un module de reconstruction de caractéristiques. Ensuite, les deux images reconstruites initiales sont superposées et introduites dans un module de fusion résiduelle multi-échelle, et l'image reconstruite nette finale est sortie. Veuillez m'aider à dessiner le schéma structurel global du réseau basé sur ceci.