摘要
图像去雾旨在从有雾图像中恢复出清晰图像，这是一个长期存在且极具挑战性的课题。本文提出了一种集成多尺度残差注意力网络（Ensemble Multi-scale Residual Attention Network, EMRA-Net），可直接生成清晰图像，该网络由两部分组成：三尺度残差注意力卷积神经网络（Three-scale Residual Attention CNN, TRA-CNN）和集成注意力卷积神经网络（Ensemble Attention CNN, EA-CNN）。在TRA-CNN中，我们采用小波变换获取下采样图像，而非传统空间下采样方法（如最近邻下采样或步长卷积下采样），从而有效避免图像纹理细节的丢失。此外，在每一尺度分支中，通过级联连接Res2Net模块，充分挖掘原始有雾图像中的层次化特征，并引入通道注意力机制以聚焦通道维度的重要信息。最后，设计了一种EA-CNN，用于将TRA-CNN生成的粗略清晰图像进行融合，输出最终的精细化清晰图像。在基准合成有雾数据集及真实世界有雾数据集上的大量实验结果表明，所提出的EMRA-Net在主观视觉感知与客观图像质量评估指标方面均优于现有最先进方法。