本改进已集成到 RT-DETR-Magic 框架。

摘要—单幅图像去雾是一个具有挑战性的不适定问题，它从观察到的雾化图像中估计潜在的无雾图像。一些现有的基于深度学习的方法致力于通过增加卷积的深度或宽度来改善模型性能。卷积神经网络（CNN）结构的学习能力仍然未被充分探索。本文提出了一个细节增强的注意力块（DEAB），由细节增强卷积（DEConv）和内容引导注意力（CGA）组成，用于增强特征学习以提高去雾性能。具体而言，DEConv将先验信息集成到普通卷积层中，以增强表示和泛化能力。然后通过使用重参数化技术，DEConv等效地转换为一个普通的卷积，没有额外的参数和计算成本。通过为每个通道分配唯一的空间重要性映射（SIM），CGA可以关注特征中编码的更有用的信息。此外，提出了基于CGA的混合融合方案，以有效地融合特征并促进梯度流。通过结合上述组件，我们提出了我们的细节增强注意力网络（DEA-Net）来恢复高质量的无雾图像。大量实验结果表明，我们的DEA-Net的有效性，仅使用3.653 M参数，使PSNR指标提高到超过41 dB，优于当前最先进的方法。我们的DEA-Net的源代码将在https://github.com/cecret3350/DEA-Net 上提供。

论文地址：https://arxiv.org/abs/2301.04805