文章目录
摘要
一、论文介绍
- DEA-Net的提出背景：单幅图像去雾是一项具有挑战性的任务，旨在从观测到的雾图中恢复出潜在的清晰图像。传统方法存在局限性，而基于深度学习的方法通过增加卷积的深度或宽度来提高性能，但卷积神经网络（CNN）结构的学习能力仍有待充分探索。
- DEA-Net的核心目标：提出一种包含细节增强卷积（DEConv）和内容引导注意力（CGA）的细节增强注意力模块（DEAB），以增强特征学习，从而提升去雾性能。
二、创新点
- 细节增强卷积（DEConv）：将先验信息融入普通卷积层，以增强表示和泛化能力。通过重参数化技术，DEConv可以等价地转换为没有额外参数和计算成本的普通卷积。
- 内容引导注意力（CGA）：为每个通道分配独特的空间重要性图（SIM），关注特征中编码的更多有用信息，提高去雾性能。
- 基于CGA的混合融合方案：有效融合特征并