프롬프트 설명

입력 이미지는 먼저 노이즈 제거 모듈에 의해 노이즈가 제거된 후, PSF 특징 주파수 영역 융합 모듈에 입력되어 디컨볼루션을 수행합니다. 후자는 이미지 레벨 디컨볼루션과 특징 레벨 디컨볼루션의 두 가지 디컨볼루션 분기를 가집니다. 이중 분기를 사용하는 것은 복잡한 해양 수중 이미징 시나리오에서 두 가지 핵심 문제를 고려한 것입니다. 한편, 이미지 레벨 디컨볼루션은 노이즈 증폭 및 인공물 간섭에 취약합니다. 디컨볼루션은 본질적으로 고주파수 강조 과정입니다. 신호 대 잡음비(SNR)가 낮을 때 (예: 심해 저조도, 고산란 환경) PSF에 오류가 있는 경우 센서 노이즈 및 양자화 오류가 크게 증폭되어 재구성된 이미지에 링 효과, 오버슈트 또는 가짜 텍스처가 발생합니다. 이러한 인공물은 후속 인식 네트워크에 의해 대상 특징으로 오판될 수 있으며, 이는 인식 견고성을 저하시킬 수 있습니다. 다른 한편으로, 특징 레벨 저하는 명시적으로 모델링되지 않습니다. 이미지가 "선명하게" 보이더라도 심층 신경망에 의해 추출된 고수준 의미론적 특징은 원래의 저하로 인해 여전히 왜곡될 수 있습니다 (예: 에지 응답 오프셋, 텍스처 에너지 감쇠). 이미지 레벨 복원에만 의존하는 경우 특징 공간에서의 판별이 복원된다는 보장이 없습니다. 이미지 레벨 디컨볼루션 분기의 경우, 이미지는 디컨볼루션되어 첫 번째 초기 재구성 이미지를 생성합니다. 특징 레벨 디컨볼루션 분기의 경우, 이미지는 특징 추출 모듈(FM)을 통과하여 일련의 특징 맵을 얻고, 이는 위너 역 필터링되어 특징 재구성 모듈을 통해 두 번째 초기 재구성 이미지로 복원됩니다. 그 후, 두 개의 초기 재구성 이미지가 중첩되어 다중 스케일 잔차 융합 모듈에 입력되고, 최종적으로 선명한 재구성 이미지가 출력됩니다. 이를 바탕으로 전체 네트워크 구조도를 그려주세요.