DEA-Net:基于细节增强卷积和内容引导注意力的单图像去雾

IEEE TIP 2024 | DEA-Net:基于细节增强卷积和内容引导注意力的单图像去雾 DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided attention

paper name: DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided attention

论文介绍:提出一种单图像去雾网络DEA-Net,DEA-Net是一种有监督式学习,网络在以下几点有创新之处:

1.使用多种差分卷积(中心差分卷积,角度差分卷积,水平差分卷积,垂直差分卷积)来替换普通的卷积

2.提出内容引导注意(content-guided attention),它是由空间注意力(Spatial attention)和通道注意力(Channel attention)

3.提出基于内容引导注意的混合融合方案,提出一种基于遗传算法的混合方案,通过学习空间权重来调整特征。

method

1.差分卷积

论文中大量使用了四种差分卷积来替换普通的卷积,其可以更好的提取出边缘特征。中心差分卷积的示例图如图1所示。中心差分卷积的主要操作为把输入矩阵x每个元素都减去x5,然后再与对于的卷积核进行运算。其他三种差分卷积类似,只是差分操作不一样。水平差分卷积如图2所示。

图1 中心差分卷积

图2 水平差分卷积

2.内容引导注意(CGA)

内容引导注意由空间注意力(Spatial attention)和通道注意力(Channel attention),其流程图如图3所示。

图中GMP和GAP分别代表最大池化和平均池化操作。channel shuffle操作是通过重新排列卷积层输出的通道。这样可以促进特征之间的交互,从而提高模型的表达能力。

图3 内容引导注意力

3.提出基于内容引导注意的混合融合方案

一种基于遗传算法的混合方案,通过学习空间权重来调整特征。论文中所谓的学习的空间权重就是将CGA的输出结果W。用得到的空间权重w与Low-level features和High-level features进行乘法相加得到。

图4 DEA-Net网络结构图

相关推荐
Forget the Dream9 小时前
Spring AI 2.0 系列(二):第一个 ChatClient——从注入到一次完整调用
java·人工智能·spring boot·ai·springai
郝学胜-神的一滴10 小时前
Effective Python 条款35:用类封装替代生成器异常注入
开发语言·人工智能·python·金融·pandas·scikit-learn·matplotlib
火山引擎开发者社区10 小时前
豆包工作,3 个月,800 万,20 亿
人工智能
Chuck.li10 小时前
AI 长篇创作工具选型:工作流对照与自测清单
人工智能·大模型·ai写作·网文作者·ai网文·豆包写作
aleimu10 小时前
Windows 11 右键打开 Cmder 2.0:从找不到菜单到默认使用 Cmder
前端·人工智能·后端
SwanArc技术笔记11 小时前
读技术文档,先用哪个 AI?模型指南筛选与 GPT-6.2 Astra 实操
人工智能
深海鱼在掘金11 小时前
深入浅出RAG——第21章:回顾与展望
人工智能
羲云网络11 小时前
GPT Image 2.6 GIF 交付排障:上线后为什么只剩第一帧?
图像处理·人工智能·前端开发·gif
安爹前沿AI11 小时前
Seedance 有个文档里没写的参数:开了码率涨 3.9 倍,费用一分没多
人工智能
深海鱼在掘金11 小时前
深入浅出RAG——第20章:端到端实战:企业级知识库问答系统
人工智能