阅读笔记：FFA-Net: Feature Fusion Attention Network for Single Image Dehazing

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

阅读笔记：FFA-Net: Feature Fusion Attention Network for Single Image Dehazing

---

论文简要

提示：[论文]();[代码]()

本文提出了一种用于单图像去雾的端到端特征融合注意力网络（FFA-Net），通过结合通道注意力和像素注意力机制，以及基于不同层级的特征融合结构，实现了直接恢复无雾图像的效果。实验证明，FFA-Net在定量和定性上都显著超过了之前的最先进单图像去雾方法。

---

一、背景信息

论文背景:

单图像去雾是一项基础的低级视觉任务，在过去几十年中引起了计算机视觉界和人工智能公司的越来越多的关注。

过去方案:

传统的去雾方法通过先验假设或深度学习方法来估计大气散射模型中的全局大气光和传输图，但这些方法在某些实际情况下可能不起作用。

论文的Motivation:

针对传统方法的局限性，本文提出了FFA-Net，通过引入特征注意力模块、局部残差学习和特征融合结构，提高了网络的表示能力和去雾效果。

二、方法

a. 理论背景:

本文提出了一种端到端的特征融合注意力网络（FFA-Net）用于单幅图像去雾。FFA-Net架构由三个关键组件组成：

特征注意力（FA）模块，将通道注意力与像素注意力相结合；具有局部残差学习和特征注意力的基本块结构；以及基于注意力的不同层级特征融合（FFA）结构。

实验结果表明，FFA-Net在定量和定性评估指标上优于先前的最先进方法。

b. 技术路线:

提出了一种名为特征融合注意力网络（FFA-Net）的方法。FFA-Net由浅层特征提取部分、具有多个跳跃连接的N组架构、特征注意力模块、重建部分和全局残差学习结构组成。FFA-Net的输入是一个有雾图像，经过特征提取部分后，进入Group Architectures。Group Architectures的输出特征使用特征注意力模块进行融合。融合后的特征然后传递给重建部分和全局残差学习结构，以获得无雾输出。

---

总结

a. 详细的实验设置:

FFA-Net在一个图像去雾基准数据集上进行训练和评估。Group Structures的数量设置为3，每个Group Structure由19个Basic Block Structures组成。卷积层的滤波器大小为3x3，除了通道注意力模块的核大小为1x1。每个Group Structure的输出为64个滤波器。

b. 详细的实验结果:

使用均方误差（MSE）或L2损失作为损失函数评估FFA-Net的性能。结果显示，与其他去雾算法相比，FFA-Net在PSNR和SSIM指标上取得了改进的性能。具体的数值结果在当前文本中没有提及。
FFA-Net与DCP、AOD-Net、DehazeNet和GCANet这四种最先进的去雾算法进行了比较。在合成客观测试集（SOTS）上，使用PSNR和SSIM指标进行定量比较。FFA-Net在PSNR和SSIM方面的表现均远远优于这四种算法。定性比较还显示，FFA-Net在图像细节和颜色保真度方面产生了更好的结果。进行了消融分析以展示FFA-Net中不同模块的有效性，并且结果表明每个模块在提高网络性能方面起着重要作用。FFA-Net有潜力应用于其他低级视觉任务，如去雨、超分辨率和去噪。