优秀论文 | 基于改进U-Net的多尺度层级融合去雾网络

主要观点总结

本文介绍了一种基于改进UNet的多尺度层级融合去雾网络（MHFEUN），用于图像去雾任务。该网络通过多尺度输入机制捕获层级特征，结合特征增强块（FEB）和多尺度特征融合模块（MSFM），解决了传统去雾方法在细节恢复、色彩保真和真实场景泛化性方面的问题。实验表明，该方法在合成和真实数据集上均表现优越。

关键观点总结

关键观点1: 基于改进UNet的多尺度层级融合去雾网络（MHFEUN）的提出。

为了解决图像去雾任务中全局与局部特征协同建模不足及多尺度雾浓度自适应处理欠缺的问题，文章提出了一种基于改进UNet的多尺度层级融合去雾网络。该网络通过多尺度输入、特征增强块（FEB）和多尺度特征融合模块（MSFM）的设计，优化了信息传递，提高了去雾效果。

关键观点2: 多尺度输入机制的作用。

多尺度输入机制能够捕获不同尺度的图像特征，从而补充高频细节信息，解决编码器在下采样过程中高频细节丢失的问题。

关键观点3: 特征增强块（FEB）的功能。

FEB通过融合高效通道注意力（ECA）机制和像素注意力（PA）机制，精准聚焦景深剧烈变化区域的关键特征，避免空间信息丢失，提高了去雾效果。

关键观点4: 多尺度特征融合模块（MSFM）的贡献。

MSFM以自适应特征交互机制替代传统线性连接，促进不同层级特征动态交互，实现全局与局部特征的充分协同，提高了去雾网络的性能。