7、图像去雾的一体化算法：轻量级网络的卓越表现

图像去雾的一体化算法：轻量级网络的卓越表现

1. 相关工作

1.1 单图像去雾

• 基于先验的方法 ：这类方法利用清晰图像的统计特性来估计传输图，并使用散射模型进行去雾。例如，Tan提出了一种最大化雾天图像局部对比度的方法；He等人使用暗通道先验（DCP）取得了显著效果，该先验假设每个通道的值接近零；Zhu等人通过估计场景深度引入了颜色衰减先验；Fattal利用基于RGB空间中小图像块像素一维分布的颜色线先验；Berman等人开发了一种基于用数百种不同颜色近似无雾图像颜色的去雾算法。然而，这些手工设计的先验对不同模糊图像的适用性有限。
• 基于学习的方法 ：由于大规模配对数据的可用性和强大的卷积神经网络，基于学习的去雾方法越来越受欢迎。MSCNN以粗到细的方式训练CNN来估计雾输入的传输图；Cai等人提出了一个端到端网络来生成透射率估计；Zhang和Patel将物理散射模型融入网络，实现了透射率、大气光和去雾图像的联合估计；Ren等人引入了一个门控融合网络，利用原始雾图像的派生输入；Qu等人将去雾视为图像到图像的翻译问题，并提出了一个增强的pix2pix网络。这些方法在去雾方面取得了出色的效果。但在处理真实的非均匀雾图像时，对每个像素给予同等权重的关注在计算上是昂贵的，并且对于高级视觉任务来说不切实际。因此，提出了一种基于注意力的集成去雾网络，以在最小化计算资源的同时最大化神经网络的性能。

1.2 注意力机制

注意力机制通过允许神经网络关注输入数据的相关部分来提高其性能和泛化能力，使网络能够自动学习和强调重要信息。
-