21、单图像去雾的深度Retinex网络

单图像去雾的深度Retinex网络

1. 通道与空间注意力模块（CSA）

CSA模块在去雾网络中起着关键作用，它由通道注意力和空间注意力两部分组成。

通道注意力步骤：
- 首先对特征图进行最大池化和平均池化操作，得到最大池化特征 ( z_c^m ) 和平均池化特征 ( z_c^a )。
- 然后通过深度可分离卷积（DSC）计算通道注意力图 ( M_c )，公式为 ( M_c = f_c(z_c^a, z_c^m, w) = \sigma(W_2\delta(W_1z_c^a)+W_2\delta(W_1z_c^m)) )，其中 ( \delta ) 和 ( \sigma ) 分别表示ReLU和sigmoid函数，( W_1 \in R^{c×1} ) 和 ( W_2 \in R^{1×c} ) 是DSC权重。
- 最后将通道注意力图 ( M_c ) 与残差密集块的输出 ( F ) 进行逐元素相乘，得到通道注意力步骤的最终输出 ( F_c = M_c * F )。

空间注意力步骤：
- 利用深度可分离卷积对通道注意力输出 ( F_c ) 进行处理，生成二维空间注意力图 ( M_s )，公式为 ( M_s = f_s(F_c, w) = \sigma(W_4\delta(W_3F_c)) )，其中 ( \delta ) 和 ( \sigma ) 分别表示ReLU和sigmoid函数，( W_3 ) 和 ( W_4 ) 是DSC权重。
- 将空间注意力图 ( M_s ) 与通道注意力输出 ( F_c ) 进行逐元素相乘，得到空间注意力步骤的输出 ( F_s = M_s * F_c )。

2. 网络优化