研究人员开发了HALO，一个旨在增强因极端低光条件而退化的遥感图像的新框架。该框架解决了现有方法中“注意力漂移”的问题，该问题通过错误地跨边界聚合特征导致结构模糊和颜色失真。HALO利用双重先验：一个用于区域同质性的语义先验和一个用于边界异质性的拓扑先验，通过同质性-异质性协同注意力模块（H2CAM）进行集成。实验表明，HALO在多个基准测试中取得了最先进的结果，提高了地球观测任务的清晰度和颜色保真度。 AI
影响 提高了地球观测和机器视觉任务的图像质量，可能增强下游AI应用。
排序理由 该集群描述了一篇详细介绍新图像增强方法的学术论文。
在 Hugging Face Daily Papers 阅读 →
- Earth observation
- foundation model
- H2CAM
- HALO
- Homogeneity-Heterogeneity Cooperative Attention Module
- Homogeneity-Heterogeneity Guided Feature Aggregation
- machine vision
- remote sensing
- arXiv
- computer science
- Computer vision and pattern recognition
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
