WaveDH：小波子带引导的卷积网络用于高效图像去雾

对图像去雾的兴趣激增，使得基于深度学习的单图像去雾方法取得了显著进展，在最近的研究中表现出令人印象深刻的性能。尽管取得了这些进展，许多现有方法仍无法满足实际应用的效率需求。在本文中，我们介绍了WaveDH，一种新颖紧凑的卷积网络，旨在解决图像去雾中的效率差距。我们的WaveDH利用小波子带进行引导的上采样和下采样以及频率感知的特征细化。关键思想在于利用小波分解从特征级别提取低频和高频分量，从而在保持高质量重建的同时实现更快的处理。下采样块采用新颖的压缩-注意力方案，通过小波域学习以结构紧凑的方式优化特征下采样过程，保留判别性特征同时丢弃噪声分量。在我们的上采样块中，我们引入了双上采样和融合机制来增强高频分量感知，有助于重建高频细节。与将低频和高频分量同等对待的传统去雾方法不同，我们的特征细化块采用频率感知方法策略性地处理特征。通过采用从粗到细的方法，它不仅细化了频率级别的细节，还显著优化了计算成本。细化在最大8倍下采样的特征空间中进行，实现了效率与精度的良好平衡。大量实验表明，我们的方法WaveDH在多个图像去雾基准上以显著降低的计算成本优于许多最先进的方法。我们的代码可在https://github.com/AwesomeHwang/WaveDH获取。