第50卷第2期2023年2月Vol.50，No.2Feb.2023湖南大学学报（自然科学版）JournalofHunanUniversity（NaturalSciences）基于双层视觉及多尺度注意力融合的图像去雾邬开俊，丁元†（兰州交通大学电子与信息工程学院，甘肃兰州730070）摘要：针对现有去雾算法缺乏对雾霾图像不同区域噪音浓度的关注以及远近景特征的区分问题，本文提出了一种新的生成对抗网络模型.模型中通过两个UNet3+网络实现全尺度的跳跃连接和深度监督，使用多尺度融合的方法结合不同尺度特征图中的高低级语义；而深度监督的加入可以更好地学习图像中的远近层次表示.同时在生成器结构中加入融合改进自注意力机制的多尺度金字塔特征融合模块，以便更好地保留特征图的多尺度结构信息，并且提高了对不同雾霾浓度区域的关注度.实验结果显示，在NTIRE2020、NTIRE2021、O-Haze数据集和Dense-Haze数据集上，本文所提出的算法网络相比BPPNET等其他先进算法可以得到更好的视觉效果，在Dense-Haze数据集上，峰值信噪比和结构相似性指数分别达到24.82和0.769.关键词：图像去噪；图像去雾；生成对抗网络；注意力机制；多尺度特征融合；金字塔网络中图分类号：TP391.4文献标志码：AImageDehazingviaDouble-layerVisionandMulti-scaleAttentionFusionWUKaijun，DINGYuan†（CollegeofElectronicsandInformationEngineering，LanzhouJiaotongUniversity，Lanzhou730070，China）Abstract：Aimingattheproblemthattheexistingdehazingalgorithmslackattentiontothenoiseconcentrationindifferentregionsofthehazyimageandthedistinctionbetweenfarandnearfeatures，thispaperproposesanewgenerativeadversarialnetworkmodel.Inthemodel，twoUNet3+networksareusedtorealizethefull-scalejumpconnectionanddepthsupervision，andmulti-scalefeaturefusionisusedtoextractthehighandlow-levelsemanticsindifferentscalefeatureimages.Theadditionofdeepsupervisioncanbetterlearnthenear-farlevelrepresentationintheimage.Atthesametime，themulti-scalepyramidfeaturefusionmoduleintegratingtheself-attentionmecha⁃nismisaddedtothegeneratorstructuretobetterretainthemulti-scalestructureinformationofthefeaturemapandimprovetheattentiontodifferenthazeconcentrationregions.Theexperimentalresultsshowthatthealgorithmnet⁃workcanobtainbettervisualeffectsthanotheradvancedalgorithmssu...
