10.19665/j.issn1001-2400.2023.02.003
融合上下文感知注意力的低光图像去雾网络
现有的低光去雾算法因受图像光照强度低、光照不均匀等影响,其去雾后的图像存在细节丢失、色彩失真等现象.针对上述问题,提出一种融合上下文感知注意力的低光图像去雾网络(ACANet).首先,在基准网络中引入层内上下文感知注意力模块,分别从通道维度和空间维度结合全局视角辨识和加权同一 尺度下的重要特征,使网络突破局部视野的约束,更加高效地提取图像纹理信息;其次,引入层间上下文感知注意力模块,通过投影操作将高级特征映射到信号子空间,以实现不同层之间多尺度特征信息的高效融合,进一步提升对图像细节的重建;最后,引入 CIEDE2000 色偏损失函数,通过 CIELAB色彩空间对图像色调进行约束,并与 L2 损失一起联合优化网络,使网络准确地学习图像色彩,以解决图像的严重色偏问题.实验结果表明,所提算法在多个数据集上的客观指标均优于现有去雾算法,其峰值信噪比指标较基准网络提高了 8.8％,且主观去雾效果更彻底,恢复图像细节更丰富,色彩还原度更好,更接近于真实图像.
低光图像去雾、注意力机制、特征融合、色偏损失、深度学习
50
TP391.41;TP183(计算技术、计算机技术)
陕西省自然科学基金面上项目2021JM-125
2023-05-25（万方平台首次上网日期，不代表论文的发表时间）
共10页
23-32
