DEA-Net：基于细节增强卷积和内容引导注意力的单图像去雾

IEEE TIP 2024 | DEA-Net：基于细节增强卷积和内容引导注意力的单图像去雾 DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided attention

paper name: DEA-Net: Single image dehazing based on detail-enhanced convolution and content-guided attention

论文介绍：提出一种单图像去雾网络DEA-Net，DEA-Net是一种有监督式学习，网络在以下几点有创新之处：

1.使用多种差分卷积（中心差分卷积，角度差分卷积，水平差分卷积，垂直差分卷积）来替换普通的卷积

2.提出内容引导注意（content-guided attention），它是由空间注意力（Spatial attention）和通道注意力（Channel attention）

3.提出基于内容引导注意的混合融合方案，提出一种基于遗传算法的混合方案，通过学习空间权重来调整特征。

method

1.差分卷积

论文中大量使用了四种差分卷积来替换普通的卷积，其可以更好的提取出边缘特征。中心差分卷积的示例图如图1所示。中心差分卷积的主要操作为把输入矩阵x每个元素都减去x5，然后再与对于的卷积核进行运算。其他三种差分卷积类似，只是差分操作不一样。水平差分卷积如图2所示。

图1 中心差分卷积

图2 水平差分卷积

2.内容引导注意（CGA）

内容引导注意由空间注意力（Spatial attention）和通道注意力（Channel attention），其流程图如图3所示。

图中GMP和GAP分别代表最大池化和平均池化操作。channel shuffle操作是通过重新排列卷积层输出的通道。这样可以促进特征之间的交互，从而提高模型的表达能力。

图3 内容引导注意力

3.提出基于内容引导注意的混合融合方案

一种基于遗传算法的混合方案，通过学习空间权重来调整特征。论文中所谓的学习的空间权重就是将CGA的输出结果W。用得到的空间权重w与Low-level features和High-level features进行乘法相加得到。

图4 DEA-Net网络结构图