基于动态卷积核的自适应图像去雾算法

作     者：刘哲 梁宇栋 李嘉莹 LIU Zhe;LIANG Yudong;LI Jiaying

作者机构：山西大学计算机与信息技术学院太原030006 

基　　金：国家自然科学基金(61802237,62272284,61906114) 山西省研究生教育创新项目(2022Y127) 山西省基础研究计划(自由探索类)项目(202203021221002,202203021211291) 山西省自然科学基金(201901D211176,201901D211170,202103021223464) 山西省高等学校科技创新项目(2019L0066) 山西省科技重大专项计划(202101020101019) 山西省重点研发计划(国际科技合作,201903D421041,能源与节能环保领域,202102070301019) 山西省科技创新人才团队专项资助 

出 版 物：《计算机科学》 (Computer Science)

年 卷 期：2023年第50卷第6期

页      码：200-208页

摘      要：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量实验,结果表明,所提方法不仅取得了较好的客观评价分数,而且重建了主观效果较好的去雾图像,超越了对比方法的性能。

主 题 词：图像去雾 深度学习 动态神经网络 注意力机制 特征融合 

学科分类：081203[081203] 08[工学] 0835[0835] 0812[工学-测绘类] 

D　O　I：10.11896/jsjkx.220400288

馆 藏 号：203122191...