58——FFA-Net: Feature Fusion Attention Network for Single Image Dehazing

论文信息FFA-Net: Feature Fusion Attention Network for Single Image Dehazing | Papers With Code

在本文中，我们提出了一种端到端特征融合注意网络(FFA-Net)来直接恢复无雾图像。FFA-Net架构由三个关键部分组成:1)考虑到不同的信道特征包含完全不同的权重信息，以及不同图像像素上的雾霾分布不均匀，提出了一种新颖的Feature Attention (FA)模块，结合了Channel Attention和Pixel Attention机制。FA对不同的特征和像素进行不均匀的处理，为处理不同类型的信息提供了额外的灵活性，扩展了cnn的表征能力。2)一个基本的块结构由Local残差学习(Local残差学习)和Feature Attention组成，Local残差学习允许通过多个局部残差连接绕过薄霾区域或低频等不太重要的信息，让主网络架构专注于更有效的信息。3)采用基于注意力的不同层次特征融合(FFA)结构，自适应学习特征关注(FA)模块的特征权重，赋予重要特征更多权重。这种结构还可以保留浅层的信息并传递给深层。

我们主要介绍我们的特征融合注意网络FFA-Net。如图2所示，FFA-Net的输入是一幅模糊图像，它被传递到一个浅层特征提取部分，然后通过多个跳跃式连接送入N个Group Architectures，通过我们提出的feature Attention模块将N个Group Architectures的输出特征融合在一起，然后，最后将特征传递给重构部分和全局残差学习结构，从而得到无霾输出。此外，每个Group Architecture结合了B Basic Blocks Architecture和局部剩余学习，每个Basic Block结合了跳跃连接和特征注意(FA)模块。FA是一种由通道级注意和像素级注意组成的注意机制结构

 Pixel Attention (PA)考虑到雾霾在不同图像像素上的分布是不均匀的，我们提出了像素关注(PA)模块，使网络更加关注厚雾像素和高频图像区域等信息特征。