FFA-Net: Feature Fusion Attention Network für die Entnebelung einzelner Bilder

In diesem Artikel stellen wir ein end-to-end-Feature-Fusions-Attention-Netzwerk (FFA-Net) vor, das direkt ein helligkeitsfreies Bild rekonstruiert. Die Architektur des FFA-Net besteht aus drei Schlüsselkomponenten:1) Ein neuartiges Feature-Attention-(FA)-Modul kombiniert das Kanal-Attention- und das Pixel-Attention-Verfahren. Es berücksichtigt, dass unterschiedliche kanalweise Merkmale vollständig unterschiedliche gewichtete Informationen enthalten, und dass die Helligkeitsverteilung auf den verschiedenen Bildpixeln ungleichmäßig ist. Das FA-Modul behandelt verschiedene Merkmale und Pixel unterschiedlich, was zusätzliche Flexibilität bei der Verarbeitung unterschiedlicher Informationsarten bietet und die Darstellungsfähigkeit von CNNs erweitert.2) Eine grundlegende Blockstruktur besteht aus lokalem Residual-Learning und Feature-Attention. Durch mehrere lokale Residual-Verbindungen kann weniger relevante Information – wie z. B. dünne Helligkeitsregionen oder Niederfrequenzanteile – umgangen werden, sodass die Hauptarchitektur sich auf effektivere Informationen konzentrieren kann.3) Eine auf Aufmerksamkeit basierende Feature-Fusionsstruktur unterschiedlicher Ebenen (FFA), bei der die Merkmalsgewichte adaptiv aus dem FA-Modul gelernt werden und wichtigeren Merkmalen höhere Gewichte zugewiesen werden. Diese Struktur kann zudem Informationen aus flachen Schichten bewahren und sie in tiefere Schichten übertragen.Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene FFA-Net die bisherigen state-of-the-art-Methoden für die Einzelbild-Helligkeitsentfernung sowohl quantitativ als auch qualitativ deutlich übertreffen kann. Insbesondere wird der beste veröffentlichte PSNR-Wert auf dem SOTS-Indoor-Datensatz von 30,23 dB auf 36,39 dB gesteigert.Der Quellcode ist auf GitHub verfügbar.