《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 其他 > 設(shè)計(jì)應(yīng)用 > 基于改進(jìn)U-Net的多尺度層級(jí)融合去霧網(wǎng)絡(luò)
基于改進(jìn)U-Net的多尺度層級(jí)融合去霧網(wǎng)絡(luò)
網(wǎng)絡(luò)安全與數(shù)據(jù)治理
季云云1，熊亮2
1.馬鞍山學(xué)院大數(shù)據(jù)與人工智能學(xué)院； 2.國(guó)軒高科動(dòng)力能源有限公司
摘要： 計(jì)算機(jī)視覺(jué)任務(wù)中，霧霾的存在會(huì)導(dǎo)致圖像出現(xiàn)質(zhì)量下降問(wèn)題，現(xiàn)有的去霧方法因全局與局部特征協(xié)同建模不足及多尺度霧濃度自適應(yīng)處理欠缺，常出現(xiàn)去霧殘留和色彩失真?；诟倪M(jìn)UNet的多尺度層級(jí)融合去霧網(wǎng)絡(luò)以多尺度輸入捕獲層級(jí)特征，結(jié)合分層次特征融合優(yōu)化信息傳遞。相鄰層嵌入特征增強(qiáng)塊自適應(yīng)聚焦關(guān)鍵區(qū)域，跨層交叉融合實(shí)現(xiàn)多尺度互補(bǔ)，促使網(wǎng)絡(luò)內(nèi)部信息充分流動(dòng)。實(shí)驗(yàn)表明，該方法在合成與真實(shí)數(shù)據(jù)集上均優(yōu)于對(duì)比方法，尤其在細(xì)節(jié)恢復(fù)、色彩保真和真實(shí)場(chǎng)景泛化性方面表現(xiàn)突出。
中圖分類(lèi)號(hào)：TP391.4文獻(xiàn)標(biāo)識(shí)碼：ADOI:10.19358/j.issn.2097-1788.2025.11.006引用格式：季云云，熊亮. 基于改進(jìn)UNet的多尺度層級(jí)融合去霧網(wǎng)絡(luò)［J］.網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2025，44（11）：30-37.
Multi-scale hierarchical fusion dehazing network based on enhanced U-Net
Ji Yunyun1，Xiong Liang2
1. School of Big Data and Artificial Intelligence, Ma′anshan University,; 2. Gotion High-Tech Power Energy Co., Ltd.
Abstract： In computer vision tasks, the presence of haze leads to a degradation in image quality. Existing dehazing methods frequently suffer from residual haze and color distortion due to insufficient joint modeling of global and local features and the lack of adaptive processing for multi-scale haze concentrations. The proposed multi-scale hierarchical fusion dehazing network based on enhanced U-Net captures hierarchical features through multi-scale inputs and refines information transmission via hierarchical feature fusion. Adjacent layers embed feature enhancement blocks to adaptively focus on key regions, while cross-layer cross-fusion achieves multi-scale complementarity, facilitating full internal information flow. Experiments demonstrate that the method outperforms comparative approaches on both synthetic and real-world datasets, particularly in detail recovery, color fidelity, and generalization to real scenes.
Key words : image dehazing; U-Net; multi-scale; feature fusion

引言

光線在傳播過(guò)程中會(huì)因大氣中懸浮的微小顆粒和塵埃而發(fā)生多次散射，導(dǎo)致捕獲的圖像質(zhì)量退化，出現(xiàn)模糊、對(duì)比度下降、色彩失真等問(wèn)題［1］。在計(jì)算機(jī)視覺(jué)領(lǐng)域中，模型訓(xùn)練離不開(kāi)清晰圖像的支持，尤其是涉及語(yǔ)義分割、目標(biāo)檢測(cè)等相關(guān)任務(wù)，因此清晰圖像的獲取尤為重要。圖像去霧旨在通過(guò)一系列處理，將模糊的霧霾圖像還原成清晰的無(wú)霧圖像，從而為相關(guān)任務(wù)提供技術(shù)支持。

圖像去霧技術(shù)根據(jù)核心原理可分為三類(lèi)：基于圖像增強(qiáng)、基于物理模型及基于深度學(xué)習(xí)的方法［2］。早期圖像去霧技術(shù)主要依賴(lài)于圖像增強(qiáng)，通過(guò)調(diào)整圖像的對(duì)比度或頻域從而在視覺(jué)上改善清晰度，但未能從根本上消除霧霾。例如，Wu等人提出利用小波變換方法將圖像分解為高頻與低頻分量［3］，其中高頻分量包含了邊緣紋理等信息，通過(guò)處理高頻系數(shù)增強(qiáng)圖像細(xì)節(jié)，提升圖像清晰度；Oakley等人提出直方圖均衡化［4］，通過(guò)調(diào)整圖像的灰度直方圖分布，增強(qiáng)圖像對(duì)比度；Zhang等人基于Retinex理論［5］，將去霧看作是解耦反射分量和光照分量的過(guò)程，通過(guò)分離光照干擾以恢復(fù)場(chǎng)景反射特性，從而改善圖像質(zhì)量。然而這類(lèi)方法在處理非均勻霧霾或復(fù)雜場(chǎng)景時(shí)易出現(xiàn)色彩失真或過(guò)增強(qiáng)等問(wèn)題。相比之下，基于物理模型的去霧方法，則是從大氣光的成像原理出發(fā)，用大氣散射模型描述霧霾圖像的成因，如式(1)所示:

I(x)=J(x)t(x)+A(1-t(x))(1)

其中I表示霧霾圖像，J表示無(wú)霧圖像，t表示傳輸率，A表示大氣光。由于t和A是未知變量，求解無(wú)霧圖像J則成為一個(gè)病態(tài)問(wèn)題，因此這類(lèi)方法往往需要引入先驗(yàn)知識(shí)。經(jīng)典的有He等人［6］提出的暗通道先驗(yàn)，指出無(wú)霧的清晰圖像在RGB顏色空間上至少有一個(gè)通道上的像素值接近于0；Berman等人［7］提出“霧線”先驗(yàn)，指出RGB顏色空間中顏色相似的像素點(diǎn)會(huì)在有霧的情況由原先的簇狀聚集轉(zhuǎn)變成直線；Zhu等人［8］提出顏色衰減先驗(yàn)，指出像素的亮度和飽和度的差值和霧霾濃度呈正相關(guān)。引入這些先驗(yàn)知識(shí)，再結(jié)合大氣散射模型，可求解出無(wú)霧圖像J。但這些先驗(yàn)知識(shí)往往都是依賴(lài)于特定條件或場(chǎng)景，通過(guò)研究大量數(shù)據(jù)總結(jié)得出，一旦場(chǎng)景發(fā)生改變，先驗(yàn)可能會(huì)失效，進(jìn)而影響最終的去霧效果。如He等人提出的暗通道先驗(yàn)，當(dāng)圖像中存在大面積的天空區(qū)域時(shí)，去霧后會(huì)產(chǎn)生嚴(yán)重的失真和Halo效應(yīng)［9］，如圖1所示。隨著技術(shù)的發(fā)展，研究者為了避免這一局限性，開(kāi)始將深度學(xué)習(xí)應(yīng)用于去霧任務(wù)，前期主要采用兩段式，如Cai等人［10］提出的DehazeNet網(wǎng)絡(luò)，先利用卷積計(jì)算透射率t，再結(jié)合物理模型求解出無(wú)霧圖像。盡管級(jí)聯(lián)估計(jì)能夠逐步細(xì)化透射率與大氣光參數(shù)，但該過(guò)程易發(fā)生參數(shù)誤差疊加［11］。于是，研究者們進(jìn)一步提出端到端的去霧方法，如Li等人［12］提出的AOD-Uet，直接將霧圖作為輸入，無(wú)霧圖像作為輸出，利用神經(jīng)網(wǎng)絡(luò)計(jì)算二者之間的映射關(guān)系，擺脫了物理模型的束縛。

無(wú)標(biāo)題.png

圖1暗通道去霧結(jié)果

目前，基于深度學(xué)習(xí)的端到端的去霧方法已經(jīng)成為主流，通過(guò)數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)霧霾圖像到清晰圖像間的映射關(guān)系，其中基于編碼器-解碼器的網(wǎng)絡(luò)結(jié)構(gòu)，由于其可擴(kuò)展性以及低復(fù)雜性，在去霧任務(wù)中受到廣泛青睞。然而自然場(chǎng)景下的霧霾分布呈現(xiàn)顯著的空間非均勻性，傳統(tǒng)的編碼器-解碼器結(jié)構(gòu)處理這種復(fù)雜場(chǎng)景時(shí)存在明顯局限性：一是編碼器在下采樣過(guò)程中，雖然能夠提取高層語(yǔ)義特征，但往往會(huì)丟失大量高頻細(xì)節(jié)信息，尤其是在霧霾濃度較高的遠(yuǎn)景區(qū)域，圖像的紋理和邊緣細(xì)節(jié)容易被過(guò)度平滑；二是解碼器在上采樣階段，難以精確重建與深度相關(guān)的霧霾分布特征，尤其是在景深變化劇烈的區(qū)域，容易出現(xiàn)不自然的過(guò)渡效果；三是網(wǎng)絡(luò)信息傳遞單向，缺乏不同層級(jí)特征的動(dòng)態(tài)交互，導(dǎo)致全局與局部特征協(xié)同不足。這些問(wèn)題最終導(dǎo)致重建圖像出現(xiàn)偽影、色彩失真以及對(duì)比度不足，從而削弱了去霧效果［13］。

為解決上述問(wèn)題，本文提出了一種基于改進(jìn)UNet的多尺度層級(jí)融合去霧網(wǎng)絡(luò)(MHFEUN)，主要貢獻(xiàn)如下：

(1)針對(duì)編碼器下采樣過(guò)程中高頻細(xì)節(jié)丟失問(wèn)題，基于UNet改進(jìn)結(jié)構(gòu)，引入多尺度輸入機(jī)制，通過(guò)不同尺度圖像捕獲層級(jí)特征，補(bǔ)充高頻細(xì)節(jié)信息。

(2)針對(duì)解碼器上采樣過(guò)程中特征重建問(wèn)題，提出了特征增強(qiáng)塊(Feature Enhancement Blocks, FEB)，通過(guò)融合高效通道注意力(Efficient Channel Attention, ECA)機(jī)制和像素注意力(Pixel Attention, PA)機(jī)制，精準(zhǔn)聚焦景深劇烈變化區(qū)域的關(guān)鍵特征，避免空間信息丟失。

(3)針對(duì)全局與局部特征協(xié)同欠缺問(wèn)題，提出了多尺度特征融合模塊(Multiscale Feature Fusion Module, MSFM)，以自適應(yīng)特征交互機(jī)制替代傳統(tǒng)線性連接，促進(jìn)不同層級(jí)特征動(dòng)態(tài)交互，實(shí)現(xiàn)全局與局部特征的充分協(xié)同。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://www.ihrv.cn/resource/share/2000006859


作者信息：

季云云1，熊亮2

(1.馬鞍山學(xué)院大數(shù)據(jù)與人工智能學(xué)院，安徽馬鞍山243100；

2.國(guó)軒高科動(dòng)力能源有限公司，安徽合肥230041)


subscribe.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。