基于全局残差注意力和门控特征融合的CNN-Transformer去雾算法

摘要

为解决现有图像去雾算法因缺乏全局上下文信息、处理分布不均匀的雾时效果差且复用细节信息时引入噪声的缺陷，提出了基于全局残差注意力和门控特征融合的CNN-Transformer去雾算法.首先，引入全局残差注意力机制编码模块自适应地提取非均匀雾区的细节特征,设计跨维度通道空间注意力优化信息权重.然后，提出全局建模Transformer模块加深编码器的特征提取过程，设计带有并行卷积的Swin Transformer捕捉特征之间的依赖关系.最后，设计门控特征融合解码模块复用图像重建所需的纹理信息，滤除不相关的雾噪声，提高去雾性能.在4个公开数据集上进行定性和定量实验，实验结果表明：所提算法能够有效地处理非均匀雾区域，重建纹理细腻且语义丰富的高保真无雾图像，其峰值信噪比和结构相似性指数都优于经典对比算法.

关键词

图像去雾 / 全局残差注意力机制 / CNN-Transformer架构 / 门控特征融合 / 图像重建