用于单幅图像去雾的平行交叉条带注意力网络

单幅图像去雾的目标是恢复有雾图像并生成清晰、高质量的视觉效果。传统的卷积模型由于其有限的感受野大小，难以处理长距离依赖关系。虽然 Transformer 擅长捕获此类依赖关系，但其相对于特征图分辨率的二次计算复杂度使其不太适合像素到像素的密集预测任务。此外，大多数模型中固定的卷积核或 token 不能很好地适应不同的模糊大小，导致去雾性能欠佳。在本研究中，我们引入了一种基于平行条带交叉注意力 (PCSA) 与多尺度策略的新型去雾网络。PCSA 通过同时捕获水平和垂直关系来高效整合长距离依赖关系，使每个像素能够从扩大的空间域中捕获上下文线索。为了灵活处理不同大小和形状的模糊，我们在每个 PCSA 中采用了具有不同卷积核大小和条带长度的通道级设计，以捕获不同尺度的上下文信息。此外，我们在 PCSA 内部引入了基于 softmax 的自适应加权机制，以优先利用更关键的特征。