Recurrent Context Aggregation Network for SingleImage Dehazing（IEEE SIGNAL PROCESSING LETTERS）

摘要：现有的基于学习的去雾方法容易造成去雾过度和去雾失败，主要是因为没有充分利用雾天图像的全局特征，而雾天图像的局部特征没有足够的区度，本文提出了一种递归上下文聚合网络(RCAN)来有效地去除图像的模糊并恢复颜色保真度。在RCAN，一种被称为上下文侵犯块(CAB)的高效通用模块被设计为通过利用全局和局部特征来改进特征表示，全局和局部特征对于鲁棒去雾是互补的，因为局部特征可以捕捉不同级别的雾度，而全局特征可以关注整个图像的纹理和对象边缘。此外，RCAN采用深度递归机制来提高去雾性能，而不引入额外的网络参数。在合成数据集和真实数据集上的大量实验结果表明，所提出的RCAN比其他最先进的去雾方法性能更好。

I.INTRODUCTION

在本文中介绍了一种新的循环上下文聚合网络(RCAN)来有效地去除图像中的模糊。在RCAN，我们设计了一个有效的通用组件，称为上下文聚合块(CAB)，通过结合局部特征和全局特征来增强特征的表示。一方面，全局特征集中于整个图像的颜色和纹理以及物体的边缘，提供了全局的视觉感知。另一方面，局部特征包含了局部的颜色和纹理，可以细化全局的颜色和纹理，达到视觉上更愉悦的感知，恢复图像细节。如图1所示，我们可以观察到图1(b)中的全局特征图主要集中在物体的边缘，并且它捕捉了模糊图像的全局颜色和纹理。相反，图1(c)中的局部特征图关注于模糊图像的局部颜色和纹理。因此，关于颜色和纹理的局部和全局特征是互补的，以改善视觉感知。同时，局部特征鲁棒地捕捉不同水平的雾度，这有利于图像去雾。随着从图2(a)到(d)的图像中雾度密度的增加，由局部特征聚焦的区域(即，白化区域)的权重增加，这提高了去雾处理的鲁棒性。

此外，RCAN在没有引入额外网络参数情况下，采用深度循环机制去改善去雾表现。

本文贡献：

（1）提出了一种新的端到端网络RCAN，它采用深度递归机制来有效地去除图像中的模糊并恢