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

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

这篇论文提出了一种新的特征融合方式，也就是在跳连接操作时，将编码器与解码器对于的特征进行融合。在特征融合的时候，本文也利用了通道、空间注意力机制，提出了一个像素注意力，它是基于空间注意力和通道注意力机制，得到一个空间重要性图，下面来详细介绍一下。

1. 简介

该论文提出了一种细节增强注意力块（DEAB），由由细节增强卷积（DEConv）和内容引导注意力（CGA）组成。具体来说，DEConv 将先验信息整合到普通卷积层中，以增强表示能力和泛化能力。然后，通过使用重参数化技术，DEConv 被等效转换为普通的卷积层，且不引入额外的参数和计算成本。CGA 通过为每个通道分配独特的空间重要性图（SIM），能够关注特征中编码的更有用的信息。此外，我们还提出了一种基于 CGA 的混合融合方案，用于有效融合特征并辅助梯度流动。（上面是原论文类容）
简单来说，DEA-Net提出双模块协同框架 ，通过细节增强卷积（DEC）和 内容引导注意力（CGA） ，针对性解决细节丢失与非均匀去雾问题：

• 细节增强卷积（DEC） ：通过多尺度特征融合与残差学习，强化高频细节恢复。
• 内容引导注意力（CGA） ：动态分配注意力权重，区分雾霾区域与内容结构，避免过度处理。

2. 网络结构

该网络采用的也是编码器-解码器结构，
仔细看了它的网络结构图，就是一个UNet的变种，采用对称结构，编码器提取多尺度特征，解码器逐步恢复清晰图像。

• DEC模块 ：嵌入在编码器中，增强细节特征。
• CGA模块 ：位于解码器阶段，引导注意力分配。

2.1 Detail-enhanced Convolution（细节增强卷积）

上图是论文中提到的细节增强卷积模块，该模块包含了四个差分卷积（DC）和一个普通卷积，并行部署用于特征提取。该模块该兴趣的可以去看看原文章，我想分享的是后面的模块。

2.2 Content-guided Attention（内容引导注意力）

之前在分享MIFNet这篇论文是也提到过FAM，也就是特征注意力模块，它是由通道注意力和空间注意力组成，和CBAM一样，二者依次排列以计算通道维度和空间维度的注意力权重，具体的细节可以看这个。本论文中提到了，空间注意力计算一个空间重要性图（SIM），用以自适应地只是不同区域的重要性水平，对于每个特征通道，我们考虑信息在空间维度上分布不均匀这样的情况，印社需要通道特定的SIM，并且还要保证通道和空间之间要有信心的交换，基于上面的情况，作者提出了内容引导注意力（CGA），论文中这么说“以粗到细的方式为输入特征的每个通道生成专属的空间重要性图，同时充分混合通道注意力权重和空间注意力权重，保证信息交换。”CGA的详细过程如下图所示：

首先CGA的目的是为了生存通道特点的SIM，维度与输入