一种用于单图像去雾的光照感知注意力网络
内容提要
本文介绍了多种图像去雾网络，如FFA-Net、FAMED-Net和GridDehazeNet，强调了它们在特征融合、残差学习和注意力机制方面的创新。这些方法在去雾效果、计算效率和图像恢复精度上表现优异，推动了图像去雾技术的发展。
延伸解读
技术演进：从依赖物理模型到端到端学习
文章梳理了单图像去雾技术的发展脉络。早期方法如DehazeNet依赖大气散射模型估计透射图，而后续的GridDehazeNet等则尝试不依赖该模型，直接通过端到端网络学习去雾映射。这种转变反映了深度学习在去雾领域逐渐摆脱传统物理假设束缚的趋势，但文章也指出，利用大气散射模型的降维优势未必有益，这为理解不同技术路线的取舍提供了背景。
注意力机制与特征融合成为主流改进方向
从FFA-Net的特征融合注意力，到空间感知通道注意、Separable Hybrid Attention等，文章多次强调注意力机制在提升去雾性能中的作用。这些方法通过关注重要特征、融合多尺度信息，在合成和真实场景中取得了优于现有技术的效果。读者可以从中看出，注意力机制已成为去雾网络设计的核心组件之一，其变体不断推动性能边界。
多尺度与编码器-解码器架构的广泛应用
FAMED-Net采用三种规模的编码器，GridDehazeNet通过多尺度估计缓解瓶颈，基于U-Net的模型则利用编码器-解码器逐步融合特征。这些架构共同点在于处理不同尺度的雾信息，以恢复细节并避免伪影。文章表明，多尺度策略和编码器-解码器结构在平衡计算效率与恢复精度方面具有优势，是当前去雾网络的重要设计范式。
无配对训练与数据增强提升泛化能力
Cycle-Dehaze无需成对模糊和清晰图像训练，利用循环一致性和知觉损失增强纹理恢复；贪婪本地化数据增强机制则确保图像一致性。这些方法针对真实场景中配对数据难以获取的问题，通过无监督或增强策略提升模型泛化性。文章提到它们在NYU-Depth等数据集上明显提高质量，说明减少对合成数据依赖是去雾技术走向实用的关键一步。
Q&A
FFA-Net 是什么？
FFA-Net 是一种端到端的特征融合注意力网络，通过关注机制、残差学习和特征融合等改进，取得了单幅图像去雾的最佳结果。
FAMED-Net 的优势是什么？
FAMED-Net 是一种快速准确的多尺度端到端去雾网络，具有卓越的计算效率和恢复精度。
GridDehazeNet 如何解决传统去雾方法的瓶颈？
GridDehazeNet 通过预处理、骨干和后处理模块的设计，有效缓解了传统多尺度方法中的瓶颈问题。
基于 U-Net 的去雾模型有什么特点？
基于 U-Net 的模型通过逐步特征融合，能够高效恢复超高清分辨率模糊图像，达到了顶尖水平。
Cycle-Dehaze 网络的训练方式是什么？
Cycle-Dehaze 网络无需成对模糊和真实图像训练，利用循环一致性和知觉损失增强。
使用 Separable Hybrid Attention 模块的去雾网络有什么优势？
该网络通过联合密度图建模全球雾的密集度分布，性能优于当前所有技术。
