雾天大气中的悬浮颗粒会增强光的散射和折射现象,使得拍摄图像的清晰度和辨识度都大幅降低,远处目标的细节大量丢失,并且出现模糊伪影、色彩偏移等现象。图像去雾的主要思想是采取一定的方法在保留图像信息的同时最大程度减小悬浮粒子对图像造成的负面影响,从而恢复图像的对比度和饱和度。该文主要采用深度学习和自然图像先验相结合的方法来进一步提高算法的去雾性能。首先,该文从注意力机制的角度出发,设计了一种将通道注意力和空间注意力相结合的注意力模块。然后将该注意力模块与U型网络相结合,该方法通过处理不同尺度的图像特征来提取更多的图像信息,最后利用注意力机制来专注于图像中的有效信息,恢复更多图像细节。实验证明,引入注意力机制可以提高复原图像的质量,较好地完成单幅图像去雾任务。其次,为了进一步提高图像去雾网络的性能,提出了一种基于残差特征聚合的去雾网络,使用残差特征聚合模块作为去雾网络的基本块来充分利用残差块提取到的残差信息。此外,为了进一步突出特征并改善残差特征聚合模块的性能,采取了一种轻巧而有效的空间增强注意力模块来增强残差特征的空间分布,实验证明该方法具有较好的去雾性能。最后,为了避免需要大量数据集进行训练并进一步提高对真实雾图像的去雾效果,该文提出了一种基于大气散射模型的单幅图像无监督去雾算法。网络的输入是含雾图像,利用该图像通过三个子网络分别估计出清晰图、传输图和大气光三项,然后根据大气散射模型得到雾图,通过不同的损失函数约束子网络进行无监督训练。该方法只利用单幅图像的内部信息进行网络训练,大大地减少了网络训练所需要的时间,并且不需要标签进行训练。实验表明提出的方法在真实雾图上表现出更好的视觉效果。