基于注意力增强的CycleGAN图像去雾

作者：刘致远; 但志平

来源：国外电子测量技术, 2023, 42(09): 162-168.

DOI：10.19652/j.cnki.femt.2304920

• 图像去雾
• 注意力机制
• CycleGAN

在图像去雾任务中，CycleGAN架构可以使用非配对数据集进行训练。然而，CycleGAN架构将去雾视为图像转换任务时，容易忽略图像细节的恢复。其中，生成器网络没有充分利用层次特征，容易造成图像空间细节信息的损失。判别器网络受限于单一感受野信息，难以引导生成器恢复高质量图像。因此，在CycleGAN架构基础上，提出一种适用于层次特征融合的注意力模块，以处理复杂背景图像；及在判别器中加入SK注意力，以自适应增大其感受野，增强模型在不同场景的识别能力。在SOTS测试集下所取得平均峰值信噪比(PSNR)为29.92 dB、结构相似性(SSIM)为0.964 1。实验结果表明，提出的方法可以使恢复的无雾图像评价指标显著提高。

• 单位
  三峡大学