基于动态卷积核的自适应图像去雾算法

现有图像去雾方法普遍存在去雾不彻底、容易出现颜色失真等问题，基于传统深度学习模型的图像去雾方法多采用静态推理模式，在该模式下，模型对不同样本会采用同样的、固定的参数设置，从而抑制了模型的表达能力，影响图像的去雾效果。针对以上问题，文中提出了一种基于动态卷积核的自适应图像去雾算法，该算法包括编码网络、自适应特征增强网络和解码网络3个部分。文中采用动态卷积、密集残差、注意力机制设计了自适应特征增强网络，该网络主要包括动态残差组件和动态跨层特征融合组件。动态残差组件由动态密集残差模块、一个卷积层和双注意力模块构成，其中动态密集残差模块将动态卷积引入密集残差模块，同时设计了一个基于注意力的权重动态聚合子网络，动态地生成卷积核参数以达到样本自适应的目的，在减少信息丢失的同时增强了模型的表达能力；双注意力模块结合通道注意力和像素注意力，使模型更加关注图像通道之间的差异性以及雾霾分布不均匀的区域。动态跨层特征融合组件通过动态融合不同阶段的特征，来学习丰富的上下文信息，防止网络深层计算时遗忘网络的早期特征，同时极大地丰富了特征表示，有利于模型对无雾图像细节信息的恢复。在合成数据集和真实数据集上进行了大...