结合特征融合注意力的规范化卷积图像去雾网络.pdfVIP

2262025，61（8）ComputerEngineeringandApplications计算机工程与应用

结合特征融合注意力的规范化卷积图像去雾网络

+

王燕，卢鹏屹，他雪

兰州理工大学计算机与通信学院，兰州730050

+通信作者E-mail：wangyan@lut.cn

摘要：图像去雾方法可以从受雾、霾或大气干扰影响的模糊图像中恢复清晰图像，在自动驾驶、监控系统等领域有

重要意义。近年来，基于深度学习方法在图像去雾领域取得了显著进展，但在去雾过程中会损失一些细节信息，导

致纹理信息恢复不足、去雾不均匀现象。为了解决这个问题，提出了一种端到端的单幅图像去雾方法,称为EFAN-

Net。该方法由编码器模块、去雾模块、解码器模块组成。编码器模块用于提取图像特征信息传递给去雾模块;去雾

模块通过特征融合组（FFG）获得更多图像信息使去雾图像颜色失真更小、伪影更少，将获得的图像信息传递给深度

规范化修正卷积块（DNCC）减少协变量偏移，使模型更容易训练。多路径特征卷积块（MFCB）获得纹理细节更丰富

的图像信息，最后经过解码器模块通过反卷积和上采样操作将低维的特征映射转换回高维的原始输入空间，得到去

雾图像。大量实验结果表明，所提方法在定量和定性上都取得了较好的结果并优于相关的最新方法。

关键词：图像去雾；深度学习；编码器-解码器；深度规范化修正卷积块

文献标志码：A中图分类号：TP391.4doi：10.3778/j.issn.1002-8331.2312-0134

NormalizedConvolutionalImageDehazingNetworkCombinedwithFeatureFusionAttention

+

WANGYan,LUPengyi,TAXue

SchoolofComputerandCommunication,LanzhouUniversityofTechnology,Lanzhou730050,China

Abstract：Imagedehazingmethodscanrecoverclearimagesfromblurredimagesaffectedbyfog,hazeoratmospheric

disturbances,whichisofgreatsignificanceinthefieldsofautomaticdriving,surveillancesystems,andsoon.Inrecent

years,significantprogresshasbeenmadeinthefieldofimagedehazingbasedondeeplearningmethods,butsomedetail

informationislostduringthedehazingprocess,resultingininsufficientrecoveryoftextureinformationandunevendehazing

phenomenon.Inordertosolvethisproblem,anend-to-endsingleimagedehazingmethod,calledEFAN-Net,isproposed,

whichconsistsofanencodermodule,adehazingmodule,andadecodermodule.Theencodermoduleisusedtoextract

theimagefeatureinformationtobepassedtothedehazingmodule;thedehazingmoduleobtainsmoreimageinformation

throughthefeaturefusiongroup(FFG)tomakethedehazedimagewithlesscolordistortionandartifacts,andpassesthe

obtainedimageinformationtothedepth-normalizedcorrectedconvolutionbloc