基于雾感注意力网络的单张图像去雾

单张图像去雾是计算机视觉中的一项关键挑战，旨在去除图像中的雾并恢复干净的背景细节。认识到传统基于物理模型的方法的局限性以及当前注意力方法的效率不足，我们提出了一种新的去雾网络，将创新的雾感注意力模块（Haze-Aware Attention Module, HAAM）与多尺度频率增强模块（Multiscale Frequency Enhancement Module, MFEM）相结合。HAAM 受大气散射模型的启发，能够将物理原理巧妙地集成到高维特征中，以实现针对性去雾。它在图像恢复过程中捕捉潜在特征，为指标带来显著提升，而 MFEM 则高效地增强高频细节，从而规避了小波或傅里叶变换的复杂性。它采用多尺度场来提取和强调关键频率成分，同时最小化参数开销。集成到简单的 U-Net 框架中，我们的雾感注意力网络（Haze-Aware Attention Network, HAA-Net）对于单张图像去雾在效率和效果方面均显著优于现有的注意力方法和变换器模型。在 various public 数据集上进行测试，HAA-Net 设定了新的性能基准。我们的工作不仅推动了图像去雾领域的发展，也为更广泛的计算机视觉应用中注意力机制的设计提供了启示。