基于双域特征融合的图像去雾网络

EasyChair Preprint no. 12834, version 2

Abstract

图像去雾的目标是从有雾图像中恢复潜在的无雾图像. 现有方法利用清晰/退化图像对在空间域和频率域的差异进行去雾并取得一定的效果, 但是仍存在双域特征融合中空间域特征提取与融合不够充分、 频率域特征融合效果不佳等问题. 为此, 提出一种新颖的双域特征融合网络DFFNet. 首先, 设计更适合图像软重建的空间域特征融合模块SFFM, 采用Transformer风格架构, 并引入大核注意力与像素注意力, 通过不同感受野分别对全局特征和局部特征进行建模, 并通过卷积前馈网络进行映射与融合. 同时, 设计频率域特征融合模块FFFM, 使用卷积层来放大并丰富高频特征, 并采取一种新颖的特征融合策略, 利用通道交互来强调与融合多种高频特征. 结合这两种关键设计提出的DFFNet在两个基准数据集上展现出与最先进方法相当甚至更好的性能. DFFNet-L是第一个在SOTS-Indoor数据集上峰值信噪比(peak signal-to-noise ratio, PSNR)超过43dB的去雾方法, PSNR为43.83dB. 代码发布于https://github.com/WWJ0720/DFFNet.

Keyphrases: 图像去雾, 注意力机制, 深度学习, 空间域特征融合, 频率域特征融合

@Booklet{EasyChair:12834,
  author = {Weijia Wang and Fei Chen and Wanling Liu and Hang Cheng and Meiqing Wang},
  title = {基于双域特征融合的图像去雾网络},
  howpublished = {EasyChair Preprint no. 12834},

  year = {EasyChair, 2024}}