摘要
本文提出了一种端到端的特征融合注意力网络（Feature Fusion Attention Network, FFA-Net），用于直接恢复无雾图像。FFA-Net架构包含三个关键组成部分：1）一种新型的特征注意力模块（Feature Attention, FA），融合了通道注意力（Channel Attention）与像素注意力（Pixel Attention）机制。该设计考虑到不同通道特征包含完全不同的加权信息，且雾霾在图像不同像素上的分布具有不均匀性。FA模块对不同特征和像素赋予不同权重，从而在处理不同类型信息时提供额外的灵活性，显著增强了卷积神经网络（CNN）的表征能力。2）一种基础模块结构，由局部残差学习（Local Residual Learning）与特征注意力（FA）共同构成。局部残差学习通过多条局部残差连接，使诸如薄雾区域或低频信息等次要信息得以绕过，从而使主网络架构能够更专注于有效信息的提取与表达。3）一种基于注意力机制的多层级特征融合（Attention-based Feature Fusion, FFA）结构。该结构从特征注意力模块中自适应地学习特征权重，对重要特征赋予更高权重，同时能够有效保留浅层特征信息，并将其传递至深层网络。实验结果表明，所提出的FFA-Net在定量与定性两个方面均显著超越了先前最先进的单幅图像去雾方法。在SOTS室内测试数据集上，其PSNR指标从此前最优的30.23 dB大幅提升至36.39 dB。相关代码已开源，可于GitHub获取。