基于细节增强卷积和内容引导注意力的单幅图像去雾研究：DEA-Net

作者及机构
本研究的通讯作者为浙江大学航空航天学院的Zhe-Ming Lu（IEEE高级会员），第一作者Zixuan Chen与共同第一作者Zewei He均来自同一机构。该研究发表于2024年的IEEE Transactions on Image Processing（第33卷），DOI编号10.1109/TIP.2024.3354108，并获得中国国家自然科学基金（52305590）、国家重点研发计划（2020AAA0140004）等多项资助。

学术背景

研究领域与动机
单幅图像去雾（single image dehazing）是低层视觉中的经典病态问题，旨在从雾霾污染的观测图像中恢复清晰场景。尽管基于深度学习的去雾方法（如FFA-Net、AECR-Net）通过增加卷积网络的深度或宽度提升性能，但传统卷积神经网络（CNN）在特征表达能力和计算效率上仍存在局限：
1. 普通卷积（vanilla convolution）的局限性：传统卷积倾向于强调低频信息（如光照和颜色分布），而忽略高频细节（如边缘和纹理），导致去雾结果模糊；
2. 雾霾非均匀性（haze non-uniformity）：现有方法多关注图像层面的雾霾分布差异，而忽视特征通道间的雾霾编码差异。

研究目标
团队提出DEA-Net（Detail-Enhanced Attention Network），通过细节增强卷积（DEConv）和内容引导注意力（CGA）模块，实现高效的高质量去雾，同时保持轻量化设计（仅3.653M参数）。

研究方法与流程

1. 细节增强卷积（DEConv）

设计原理
DEConv由5个并行卷积层构成：1个普通卷积（VC）和4种差异卷积（Difference Convolution, DC），包括中心差分卷积（CDC）、角度差分卷积（ADC）、水平差分卷积（HDC）和垂直差分卷积（VDC）。差异卷积通过计算像素对的梯度差异（如HDC模拟Sobel算子），显式编码先验信息（如边缘增强）。

重参数化技术（re-parameterization）
训练阶段：5个卷积核独立更新参数；
推理阶段：通过线性叠加将5个卷积核合并为单一标准卷积核（公式1），使DEConv与普通卷积的参数量和计算成本一致，但特征提取能力显著提升。

实验验证
在SOTS-Indoor数据集上，替换普通卷积为DEConv的模型（model_fab_d）比基线（base_fab）PSNR提升0.6 dB（表I），特征可视化显示DEConv输出的边缘纹理更清晰（图8）。

2. 内容引导注意力（CGA）

两阶段生成机制
1. 粗粒度SIM生成：结合通道注意力（SE模块）和空间注意力（CBAM模块）生成初始空间重要性图（Spatial Importance Map, SIM）；
2. 细粒度SIM优化：通过通道混洗（channel shuffle）和分组卷积，利用输入特征逐通道优化SIM，最终得到通道专属的权重图（公式4）。

优势
- 解决特征层面的雾霾非均匀性；
- 在SOTS-Indoor数据集上，CGA使PSNR进一步提升1.5 dB（表IV），且生成的SIM能更精准定位雾霾区域（图9）。

3. CGA混合融合方案

针对编码器-解码器架构中浅层与深层特征的感受野失配问题，提出基于CGA的自适应融合策略：
1. 使用CGA计算空间权重；
2. 加权融合浅层细节特征（flow）和深层语义特征（fhigh）（公式5）。
该方案比普通加法或拼接融合PSNR提升0.1 dB以上（表V）。

4. 整体架构（DEA-Net）

• 三级U-Net结构：编码器（Level 1-2使用DEB模块）、特征转换层（Level 3使用DEAB模块）、解码器；
  
• 训练损失：L1损失函数（公式6）；
  
• 数据集：RESIDE（ITS/OTS训练集，SOTS测试集）和Haze4K。
  

主要结果

1. 定量指标：
   
   • SOTS-Indoor：PSNR 41.16 dB（优于FFA-Net的36.39 dB和Dehamer的38.17 dB）；
     
   • 参数量仅3.653M，推理速度最快（表VII）；
     
2. 定性效果：恢复的边缘更锐利，且无颜色失真（图10-12）；
   
3. 消融实验：DEConv和CGA分别贡献0.6 dB和1.5 dB的PSNR提升（表I、IV）。
   

结论与价值

科学价值
1. 首次将差异卷积引入去雾领域，通过先验编码增强高频细节恢复；
2. 提出通道专属的注意力机制（CGA），解决特征级雾霾非均匀性问题；
3. 重参数化技术在去雾任务中的首次应用，实现性能与效率的平衡。

应用价值
DEA-Net可作为高级视觉任务（如目标检测）的预处理模块，其轻量化设计适合部署在移动设备。

研究亮点

1. 创新性方法：DEConv融合梯度先验，CGA实现通道自适应的特征校准；
   
2. 高效性：通过重参数化技术，DEA-Net在PSNR超过41 dB的同时保持低计算开销；
   
3. 通用性：CGA模块可迁移至其他图像复原任务（如超分辨率）。
   

局限与展望
当前模型在真实场景（非合成数据）中存在域偏移问题，未来计划结合量化压缩技术进一步优化效率。

（注：文中图表及参考文献详见原论文）