针对去雾图像边缘细节不够清晰,以及现有U-Net去雾网络大多对频域信息的挖掘不够充分、忽略了不同通道之间的信息交流从而导致结构模糊的问题,提出了频域特征蒸馏的双尺度融合网络来实现单幅图像的有效去雾。在粗尺度特征提取子网中采...针对去雾图像边缘细节不够清晰,以及现有U-Net去雾网络大多对频域信息的挖掘不够充分、忽略了不同通道之间的信息交流从而导致结构模糊的问题,提出了频域特征蒸馏的双尺度融合网络来实现单幅图像的有效去雾。在粗尺度特征提取子网中采用大尺度的卷积核提取图像的纹理信息,利用残差注意力机制增强与雾霾相关的特征。在细尺度高频融合子网中,设计了高频特征蒸馏模块用来细化提取到的结构和边缘信息,并逐步恢复清晰的图像;同时采用交叉融合策略对不同通道的特征进行融合。实验结果表明,与MSTN(Efficient and Accurate Multi-Scale Topological Network)算法相比,在室外图像数据集上的峰值信噪比和结构相似度分别提高了9.98%和4.77%。在不同数据集上的实验结果均表明所提出的方法表现出了更良好的去雾性能。该方法可以有效提高去雾的效果,保留更多的结构信息,具有更好的颜色细节恢复能力。展开更多
文摘针对去雾图像边缘细节不够清晰,以及现有U-Net去雾网络大多对频域信息的挖掘不够充分、忽略了不同通道之间的信息交流从而导致结构模糊的问题,提出了频域特征蒸馏的双尺度融合网络来实现单幅图像的有效去雾。在粗尺度特征提取子网中采用大尺度的卷积核提取图像的纹理信息,利用残差注意力机制增强与雾霾相关的特征。在细尺度高频融合子网中,设计了高频特征蒸馏模块用来细化提取到的结构和边缘信息,并逐步恢复清晰的图像;同时采用交叉融合策略对不同通道的特征进行融合。实验结果表明,与MSTN(Efficient and Accurate Multi-Scale Topological Network)算法相比,在室外图像数据集上的峰值信噪比和结构相似度分别提高了9.98%和4.77%。在不同数据集上的实验结果均表明所提出的方法表现出了更良好的去雾性能。该方法可以有效提高去雾的效果,保留更多的结构信息,具有更好的颜色细节恢复能力。
