摘要

单张图像去雾是一个具有挑战性的不适定问题，旨在从有雾图像中估计出无雾的潜在图像。现有的基于深度学习的方法通常通过增加卷积网络的深度或宽度来提升模型性能，但卷积神经网络（CNN）结构的学习能力仍有待进一步挖掘。本文提出了一种细节增强注意力模块（Detail-Enhanced Attention Block, DEAB），该模块由细节增强卷积（Detail-Enhanced Convolution, DEConv）和内容引导注意力（Content-Guided Attention, CGA）组成，以增强特征学习能力，从而提升去雾性能。具体而言，DEConv在标准卷积层中引入先验信息，以增强特征的表达能力和泛化性能；通过重参数化技术，DEConv可等效转换为一个无额外参数和计算开销的标准卷积，从而在不增加模型复杂度的前提下实现性能提升。CGA通过为每个通道分配唯一的空间重要性映射（Spatial Importance Map, SIM），能够更有效地关注特征中蕴含的有用信息。此外，本文还提出了一种基于CGA的Mixup融合策略，用于高效融合多尺度特征，并促进梯度流动。结合上述组件，本文构建了细节增强注意力网络（Detail-Enhanced Attention Network, DEA-Net），用于恢复高质量的无雾图像。大量实验结果表明，所提出的DEA-Net在性能上显著优于现有最先进（State-of-the-Art, SOTA）方法，在仅使用365.3万参数的情况下，PSNR指标提升超过41 dB。DEA-Net的源代码将公开于：https://github.com/cecret3350/DEA-Net。