摘要
图像去雾旨在通过减少大气散射和吸收效应来恢复图像的清晰度和视觉质量。尽管深度学习在这一领域取得了显著进展，但越来越多的方法受到网络深度的限制。因此，许多方法采用了并行分支策略。然而，这些方法通常侧重于分辨率、感受野或频域分割等方面，而没有根据输入特征的分布动态划分分支。受动态滤波器的启发，我们提出使用级联动态滤波器（Cascaded Dynamic Filters）来创建一个多分支网络，该网络基于特征图的分布动态生成滤波核。为了更好地处理分支特征，我们提出了一种残差多尺度块（Residual Multiscale Block, RMB），结合了不同的感受野。此外，我们还引入了一种基于动态卷积的局部融合方法，用于合并相邻分支的特征。我们在RESIDE、Haze4K和O-Haze数据集上的实验验证了我们方法的有效性，我们的模型在RESIDE-Indoor数据集上达到了43.21 dB的峰值信噪比（PSNR）。代码可在https://github.com/dauing/CasDyF-Net 获取。