摘要：针对当前去雾算法中容易产生的图像伪影、图像颜色失真、图像细节模糊不清等问题,提出一种并行多尺度注意力映射图像去雾算法,通过端到端方式以编码器解码器结构实现图像去雾。在编码阶段,采用连续下采样层降低特征维度,避免过拟合。在特征转换阶段,采用并行分支结构设计并行多尺度注意力映射模块,使模型能够在关注图像重要特征的同时充分利用多尺度特征,并通过并行连接选择性特征融合模块有效收集图像空间结构信息。解码阶段,采用上采样层重构图像,并通过上下采样层融合更好地保留图像边缘信息。实验结果表明,该算法在合成雾天数据集以及真实雾天图像上均具有较好的去雾效果,相较于传统去雾算法,可更好地保留图像细节,具备较好的色彩保持度。

摘要：为增强全局上下文信息的关联性,加强对多尺度特征的关注,在提升图像去噪效果的同时最大程度保留细节特征,提出一种基于Transformer的特征细化和多尺度注意力的图像去噪网络(TFRADNet)。该网络不仅在编解码器部分利用Transformer解决大规模图像的长程依赖问题,提高模型的去噪效率,还在上采样操作后加入位置感知层来增强网络对特征图中像素位置的感知能力。为了应对Transformer可能对像素间空间关系的忽略,导致局部细节失真,在特征重建阶段设计了特征细化模块(FRB),采用串行结构逐层引入非线性变换,加强对噪声水平复杂的图像局部特征的识别。同时,设计了多尺度注意力模块(MAB),采用并行双分支结构,对空间注意力和通道注意力联合建模,有效捕捉不同尺度的图像特征并进行加权,提高模型对多尺度特征的感知能力。在真实噪声数据集SIDD、DND和RNI15上的实验结果显示,TFRADNet能够兼顾全局信息和局部细节,相比其他先进方法展现出了更强的抑噪能力和稳健性。

摘要：针对低照度图像存在亮度低、噪声大、颜色偏差和细节纹理丢失等问题,提出一种双路混合注意力的跨层次特征聚合图像增强方法。首先,设计多尺度双路注意力残差模块(Multi-scale Dual-path Attention Residual module,MDAR),MDAR包括并行多尺度特征采样块(Parallel Multi-scale Feature Sampling Block,PMFB)和双路混合注意力块(Dual-path Hybrid Attention Block,DHAB)。其中PMFB用于提取和融合多尺度特征信息,促进局部特征的全局化表示,使图像细节信息得到有效增强,而DHAB能够对图像噪声区域和颜色信息给予更大关注,缓解不同注意力间特征的差异,有效抑制噪声,提高图像质量。此外,设计跨层次特征聚合模块(Cross-level Feature Aggregation Module,CFAM),将不同层次特征进行融合,弥补深层特征与浅层特征之间的差异,强化对浅层特征的感知,实现图像增强。实验结果表明,所提方法在LOL数据集上的PSNR,SSIM,LPIPS和NIQE分别达到了22.347 dB,0.850,0.178和4.153;在MIT-Adobe 5K数据集上的PSNR,SSIM,LPIPS和NIQE分别达到了22.703 dB,0.903,0.137和3.822。与其他算法相比均有较大提升,证明了所提方法的有效性。

摘要：为了提取更具表达能力和区分度的重点特征,减少网络传递时关键特征的流失,提高神经网络图像分类能力,提出一种新的门控机制图像分类网络(image classification Network of Gating Mechanism,GMNet).首先,使用门控卷积提取浅层特征,通过门控机制选择性地进行卷积操作,提高网络对原始图像关键特征的提取能力;其次,设计了一种插值门控卷积(Interpolation Gated Convolution,IGC)模块,利用Lanczos插值与门控卷积相结合,强化浅层特征的同时提取更具区分度的特征,提高特征的非线性表达能力;然后,设计了大核门控注意力机制(Large kernel Gated Attention Mechanism,LGAM)模块,将大核注意力与门控卷积相融合,实现了特征的选择性增强和选择性融合,提高关键区域特征的贡献度;最后,将大核门控注意力机制模块嵌入到残差分支中,让模型更有效地学习输入数据的特征和上下文信息,减少关键特征在网络信息传递时流失,提高网络的分类能力.本文方法在图像数据集CIFAR-10、CIFAR100、SVHN、Imagenette、Imagewoof上分别达到了97.05%、83.68%、97.68%、90.60%、83.05%的分类准确率,与当前先进的方法相比分别平均提高了3.26%、7.08%、3.44%、2.65%、5.02%.与现有主流网络模型相较,本文门控机制图像分类网络能够增强特征的非线性表达能力,提取更具表达能力和区分度的重点特征,减少关键特征流失,提高关键区域特征的贡献度,有效地提高神经网络图像分类能力.