基于多感受野非局部网络与新颖对比正则化的准确轻量去雾方法

近来，基于深度学习的方法已主导图像去雾领域。本文提出了一种由多流特征注意力块（MSFAB）与交叉非局部块（CNLB）组成的多感受野非局部网络（MRFNLN），以进一步提升性能。我们从提取更丰富的去雾特征入手。具体而言，设计了一个包含三个具有不同感受野（即 $1\times 1$、$3\times 3$、$5\times 5$）的并行卷积的多流特征提取（MSFE）子块，用于提取多尺度特征。在 MSFE 之后，采用一个注意力子块使模型自适应聚焦于重要通道/区域。这两个子块构成了我们的 MSFAB。接着，我们设计了一个交叉非局部块（CNLB），其能够捕获超越查询的长程依赖。与查询分支使用相同输入源不同，键与值分支通过融合更多前置特征得到增强。CNLB 利用空间金字塔下采样（SPDS）策略在不牺牲性能的前提下降低计算与内存消耗，因而计算友好。最后但同样重要的是，通过强调专为去雾设计的表示空间中的低级细节并忽略高级语义信息，提出了一种新颖的聚焦细节对比正则化（DFCR）。综合实验结果表明，所提出的 MRFNLN 模型以少于 150 万参数优于近期最先进的去雾方法。