DEA-Net：基于细节增强卷积与内容引导注意力的单幅图像去雾
计算机视觉与模式识别
2023-01-13 v1
摘要
单幅图像去雾是一个具有挑战性的不适定问题，旨在从观测到的有雾图像中估计出潜在的无雾图像。一些现有的基于深度学习的方法致力于通过增加卷积的深度或宽度来提高模型性能。卷积神经网络（CNN）结构的学习能力仍有待深入探索。本文提出了一种细节增强注意力模块（DEAB），该模块由细节增强卷积（DEConv）和内容引导注意力（CGA）组成，以增强特征学习，从而提升去雾性能。具体而言，DEConv 将先验信息融入普通卷积层，以增强表示和泛化能力。然后，通过使用重参数化技术，DEConv 被等价地转换为一个无额外参数和计算成本的普通卷积。通过为每个通道分配独特的空间重要性图（SIM），CGA 能够关注特征中编码的更有用信息。此外，还提出了一种基于 CGA 的混合融合方案，以有效融合特征并辅助梯度流动。通过结合上述组件，我们提出了细节增强注意力网络（DEA-Net），用于恢复高质量的无雾图像。大量实验结果表明了 DEA-Net 的有效性，其仅以 3.653 M 的参数量将 PSNR 指标提升至超过 41 dB，优于当前最先进（SOTA）方法。DEA-Net 的源代码将在 https://github.com/cecret3350/DEA-Net 上公开。
引用
@article{arxiv.2301.04805,
title = {DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided attention},
author = {Zixuan Chen and Zewei He and Zhe-Ming Lu},
journal= {arXiv preprint arXiv:2301.04805},
year = {2023}
}