GridDehazeNet+: 一种具有任务内知识迁移的增强多尺度单图像去雾网络

我们提出一种增强的多尺度网络，称为 GridDehazeNet+，用于单图像去雾。所提出的去雾方法不依赖于大气散射模型（ASM），并解释了为何其未必执行该模型所提供的降维。GridDehazeNet+ 由三个模块组成：预处理、主干与后处理。可训练的预处理模块能够生成具有更好多样性与更相关特征的学习化输入，优于那些由手工选择的预处理方法所产生的派生输入。主干模块通过两项主要增强实现多尺度估计：1）一种新颖的网格结构，通过跨不同尺度的密集连接有效缓解瓶颈问题；2）一个空间-通道注意力块，可通过整合去雾相关特征来促进自适应融合。后处理模块有助于减少最终输出中的伪影。由于域偏移，在合成数据上训练的模型可能无法在真实数据上良好泛化。为解决此问题，我们将合成数据的分布塑形以匹配真实数据，并使用所得迁移数据微调我们的网络。我们还提出一种新颖的任务内知识迁移机制，可记忆并利用合成域知识以辅助迁移数据上的学习过程。实验结果表明，所提方法在多个合成去雾数据集上优于当前最优（SOTA），并在微调后在真实世界雾图上取得优越性能。