全局和局部特征融合的图像去雾

姜鑫; 聂海涛; 朱明

doi:10.37188/OPE.20233118.2687

您当前的位置：

首页 >

文章列表页 >

全局和局部特征融合的图像去雾

信息科学 | 更新时间：2023-09-25

- 全局和局部特征融合的图像去雾
- Global and local feature fusion image dehazing
- 光学精密工程 2023年31卷第18期页码：2687-2699
- 作者机构：
  
  1.中国科学院长春光学精密机械与物理研究所，吉林长春 130033
- 作者简介：
  
  [ "姜鑫（1992-），男，吉林长春人，硕士，研究实习员，2015年和2018年分别于浙江大学获得学士学位和硕士学位，主要从事图像处理及人工智能方面的研究。E-mail： xinjiang@zju.edu.cn" ]
  [ "朱明（1964-），男，江西南昌人，研究员，博士生导师，1985年于南京航空航天大学获得学士学位，1991年于中科院长春光机所获得硕士学位，现为中国图象图形学学会常务理事，吉林省图象图形学会会长，主要从事图像处理与人工智能理论及应用方向的研究。E-mail： zhu_mingca@163.com" ]
- 基金信息：
  
  广东省重点领域研发计划资助项目(2019B010155003)
- DOI：10.37188/OPE.20233118.2687
  中图分类号：
扫描看全文
姜鑫, 聂海涛, 朱明. 全局和局部特征融合的图像去雾[J]. 光学精密工程, 2023,31(18):2687-2699.

JIANG Xin, NIE Haitao, ZHU Ming. Global and local feature fusion image dehazing[J]. Optics and Precision Engineering, 2023,31(18):2687-2699.
姜鑫, 聂海涛, 朱明. 全局和局部特征融合的图像去雾[J]. 光学精密工程, 2023,31(18):2687-2699. DOI： 10.37188/OPE.20233118.2687.

JIANG Xin, NIE Haitao, ZHU Ming. Global and local feature fusion image dehazing[J]. Optics and Precision Engineering, 2023,31(18):2687-2699. DOI： 10.37188/OPE.20233118.2687.

摘要

具有参数共享特性的卷积操作主要关注于图像局部特征的提取，而无法对超出感受野范围的特征进行建模，同时整幅图像共享同一个卷积核参数也忽略了不同区域的特性不同。为了克服现有方法的表达不足，提出了全局和局部特征融合去雾网络，分别利用Transformer和卷积操作提取图像全局和局部特征信息，并将两者融合后输出，充分发挥了Transformer建模长距离依赖关系和卷积操作局部感知特性的优势，实现了特征的高效表达。在最终输出复原图像前，设计了包含多尺度图像块的增强模块，利用Transformer进一步聚合全局特征信息，丰富复原图像细节。同时，提出了一个全局位置编码生成器，可自适应地根据全局图像内容信息生成位置编码，进而实现对像素点间依赖关系的二维空间位置建模。实验结果表明，所提出的去雾网络在合成和真实图像数据集上均展现出了较好的去雾性能，复原图像更加真实，细节还原度高。

Abstract

Convolution operations with parameter sharing features primarily focus on the extraction of local features of images but fail to model the features beyond the range of the receptive field. Moreover， when the parameters of an entire image share the same convolution kernel， the characteristics of different regions are ignored. To address this limitation in existing methods， a global and local feature fusion dehazing network is proposed. We utilize transformer and convolution operations to extract global and local feature information from images， respectively. Subsequently， we merge and output these features， effectively employing the advantages of transformers in modeling long-distance dependencies and the local perception of convolution operations， thus achieving efficient feature expression. Before the final output of restored images， we incorporate an enhancement module that includes multi-scale patches to further aggregate global feature information and enhance the details of the restored images using a transformer. Simultaneously， we introduce a global positional encoding generator， which can adaptively generate positional encodings based on the global content information of images， thereby enabling 2D spatial location modeling of the dependency relationship between pixels. Experimental results demonstrate the superior performance of the proposed dehazing network on both synthetic and real image datasets， producing more realistic restored images and significantly reducing detail loss.

关键词

图像去雾生成式对抗网络Transformer位置编码生成器

Keywords

image dehazinggenerative adversarial networktransformerpositional encoding generator

references

王卫星，赵恒. 结合改进Retinex及自适应分数阶微分的雾霾公路交通图像增强［J］. 光学精密工程， 2020， 28（8）： 1820-1834.

WANG W X， ZHAO H. Haze traffic image enhancement based on improved retinex and adaptive fractional differential［J］. Opt. Precision Eng.， 2020， 28（8）：1820-1834.（in Chinese）

JIANG X， ZHAO C L， ZHU M， et al. Residual spatial and channel attention networks for single image dehazing［J］. Sensors （Basel， Switzerland）， 2021， 21（23）： 7922. doi: 10.3390/s21237922http://dx.doi.org/10.3390/s21237922

TAN R T. Visibility in Bad Weather from a Single Image［C］. 2008 IEEE Conference on Computer Vision and Pattern Recognition.23-28， 2008， Anchorage， AK， USA. IEEE， 2008： 1-8. doi: 10.1109/cvpr.2008.4587643http://dx.doi.org/10.1109/cvpr.2008.4587643

HE K M， SUN J， TANG X O. Single image haze removal using dark channel prior［C］. 2009 IEEE Conference on Computer Vision and Pattern Recognition.20-25， 2009， Miami， FL. IEEE， 2009： 1956-1963. doi: 10.1109/cvpr.2009.5206515http://dx.doi.org/10.1109/cvpr.2009.5206515

ANCUTI C O， ANCUTI C， HERMANS C， et al. A Fast Semi-Inverse Approach to Detect and Remove the Haze from a Single Image［M］. Computer Vision-ACCV 2010. Berlin， Heidelberg： Springer Berlin Heidelberg， 2011： 501-514. doi: 10.1007/978-3-642-19309-5_39http://dx.doi.org/10.1007/978-3-642-19309-5_39

ZHU Q S， MAI J M， SHAO L. A fast single image haze removal algorithm using color attenuation prior［J］. IEEE Transactions on Image Processing： a Publication of the IEEE Signal Processing Society， 2015， 24（11）： 3522-3533. doi: 10.1109/tip.2015.2446191http://dx.doi.org/10.1109/tip.2015.2446191

CAI B L， XU X M， JIA K， et al. DehazeNet： an end-to-end system for single image haze removal［J］. IEEE Transactions on Image Processing： a Publication of the IEEE Signal Processing Society， 2016， 25（11）： 5187-5198. doi: 10.1109/tip.2016.2598681http://dx.doi.org/10.1109/tip.2016.2598681

LI B Y， PENG X L， WANG Z Y， et al. AOD-Net： all-in-one dehazing network［C］. 2017 IEEE International Conference on Computer Vision （ICCV）.22-29， 2017， Venice， Italy. IEEE， 2017： 4780-4788. doi: 10.1109/iccv.2017.511http://dx.doi.org/10.1109/iccv.2017.511

陈清江，张雪. 混合残差学习与导向滤波算法在图像去雾中的应用［J］. 光学精密工程， 2019， 27（12）：2702-2712. doi: 10.3788/ope.20192712.2702http://dx.doi.org/10.3788/ope.20192712.2702

CHEN Q J， ZHANG X. Application of hybrid residual learning and guided filtering algorithm in image defogging［J］. Opt. Precision Eng.， 2019， 27（12）：2702-2712.（in Chinese）. doi: 10.3788/ope.20192712.2702http://dx.doi.org/10.3788/ope.20192712.2702

冯燕茹. 双视觉注意网络的联合图像去雾和透射率估计［J］. 光学精密工程， 2021， 29（4）： 854-863. doi: 10.37188/OPE.20212904.0854http://dx.doi.org/10.37188/OPE.20212904.0854

FENG Y R. Joint transmission map estimation and image dehazing using dual vision attention network［J］. Opt. Precision Eng.， 2021， 29（4）： 854-863.（in Chinese）. doi: 10.37188/OPE.20212904.0854http://dx.doi.org/10.37188/OPE.20212904.0854

杨燕，梁小珍，张金龙. 分离特征和协同网络下的端到端图像去雾［J］. 光学精密工程， 2021， 29（8）：1931-1941. doi: 10.37188/OPE.2021.0003http://dx.doi.org/10.37188/OPE.2021.0003

YANG Y， LIANG X Z， ZHANG J L. End-to-end image dehazing under separated features and collaborative network［J］. Opt. Precision Eng.， 2021， 29（8）：1931-1941.（in Chinese）. doi: 10.37188/OPE.2021.0003http://dx.doi.org/10.37188/OPE.2021.0003

VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］. Proceedings of the 31st International Conference on Neural Information Processing Systems. December 4 - 9， 2017， Long Beach， California， USA. New York： ACM， 2017： 6000-6010.

LIANG J Y， CAO J Z， SUN G L， et al. SwinIR： image restoration using swin transformer［C］. 2021 IEEE/CVF International Conference on Computer Vision Workshops （ICCVW）.11-17， 2021， Montreal， BC， Canada. IEEE， 2021： 1833-1844. doi: 10.1109/iccvw54120.2021.00210http://dx.doi.org/10.1109/iccvw54120.2021.00210

CHEN H T， WANG Y H， GUO T Y， et al. Pre-trained image processing transformer［C］. 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.20-25， 2021， Nashville， TN， USA. IEEE， 2021： 12294-12305. doi: 10.1109/cvpr46437.2021.01212http://dx.doi.org/10.1109/cvpr46437.2021.01212

QIN Q， YAN J K， WANG Q， et al. ETDNet： an efficient transformer deraining model［J］. IEEE Access， 2021， 9： 119881-119893. doi: 10.1109/access.2021.3108516http://dx.doi.org/10.1109/access.2021.3108516

MIRZA M， OSINDERO S. Conditional Generative Adversarial Nets［EB/OL］. 2014： arXiv： 1411.1784. https：//arxiv.org/abs/1411.1784https://arxiv.org/abs/1411.1784

ZHANG H B， SAKURAI K. Conditional generative adversarial network-based image denoising for defending against adversarial attack［J］. IEEE Access， 2021， 9： 169031-169043. doi: 10.1109/access.2021.3137637http://dx.doi.org/10.1109/access.2021.3137637

WANG P. Image denoising using deep cgan with bi-skip connections［C］. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）.16-17， 2019， Long Beach， CA， USA. IEEE， 2020： 724-729. doi: 10.1109/cvprw.2019.00099http://dx.doi.org/10.1109/cvprw.2019.00099

ZHANG H， SINDAGI V， PATEL V M. Image de-raining using a conditional generative adversarial network［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2020， 30（11）： 3943-3956. doi: 10.1109/tcsvt.2019.2920407http://dx.doi.org/10.1109/tcsvt.2019.2920407

LI R T， CHEONG L F， TAN R T. Heavy rain image restoration： integrating physics model and conditional adversarial learning［C］. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.15-20， 2019， Long Beach， CA， USA. IEEE， 2020： 1633-1642. doi: 10.1109/cvpr.2019.00173http://dx.doi.org/10.1109/cvpr.2019.00173

PARK J， HAN D K， KO H. Fusion of heterogeneous adversarial networks for single image dehazing［J］. IEEE Transactions on Image Processing， 2020， 29： 4721-4732. doi: 10.1109/tip.2020.2975986http://dx.doi.org/10.1109/tip.2020.2975986

LI R D， PAN J S， LI Z C， et al. Single image dehazing via conditional generative adversarial network［C］. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.18-23， 2018， Salt Lake City， UT， USA. IEEE， 2018： 8202-8211. doi: 10.1109/cvpr.2018.00856http://dx.doi.org/10.1109/cvpr.2018.00856

ISOLA P， ZHU J Y， ZHOU T H， et al. Image-to-image translation with conditional adversarial networks［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.21-26， 2017， Honolulu， HI， USA. IEEE， 2017： 5967-5976. doi: 10.1109/cvpr.2017.632http://dx.doi.org/10.1109/cvpr.2017.632

RONNEBERGER O， FISCHER P， BROX T. U-Net： Convolutional Networks for Biomedical Image Segmentation［M］. Lecture Notes in Computer Science. Cham： Springer International Publishing， 2015： 234-241. doi: 10.1007/978-3-319-24574-4_28http://dx.doi.org/10.1007/978-3-319-24574-4_28

SHI W Z， CABALLERO J， HUSZÁR F， et al. Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.27-30， 2016， Las Vegas， NV， USA. IEEE， 2016： 1874-1883. doi: 10.1109/cvpr.2016.207http://dx.doi.org/10.1109/cvpr.2016.207

CHU X， TIAN Z， ZHANG B， et al. Conditional Positional Encodings for Vision Transformers［EB/OL］. 2021： arXiv： 2102.10882. https：//arxiv.org/abs/2102.10882.pdfhttps://arxiv.org/abs/2102.10882.pdf

JIANG X， LU L， ZHU M， et al. Haze relevant feature attention network for single image dehazing［J］. IEEE Access， 2021， 9： 106476-106488. doi: 10.1109/access.2021.3100604http://dx.doi.org/10.1109/access.2021.3100604

ENGIN D， GENC A， EKENEL H K. Cycle-dehaze： enhanced cyclegan for single image dehazing［C］. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）.18-22， 2018， Salt Lake City， UT， USA. IEEE， 2018： 938-9388. doi: 10.1109/cvprw.2018.00127http://dx.doi.org/10.1109/cvprw.2018.00127

QU Y Y， CHEN Y Z， HUANG J Y， et al. Enhanced pix2pix dehazing network［C］. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.15-20， 2019， Long Beach， CA， USA. IEEE， 2020： 8152-8160. doi: 10.1109/cvpr.2019.00835http://dx.doi.org/10.1109/cvpr.2019.00835

QIN X， WANG Z L， BAI Y C， et al. FFA-net： feature fusion attention network for single image dehazing［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（7）： 11908-11915. doi: 10.1609/aaai.v34i07.6865http://dx.doi.org/10.1609/aaai.v34i07.6865

ULLAH H， MUHAMMAD K， IRFAN M， et al. Light-DehazeNet： a novel lightweight CNN architecture for single image dehazing［J］. IEEE Transactions on Image Processing： a Publication of the IEEE Signal Processing Society， 2021， 30： 8968-8982. doi: 10.1109/tip.2021.3116790http://dx.doi.org/10.1109/tip.2021.3116790

LI B Y， REN W Q， FU D P， et al. Benchmarking single-image dehazing and beyond［J］. IEEE Transactions on Image Processing， 2019， 28（1）： 492-505. doi: 10.1109/tip.2018.2867951http://dx.doi.org/10.1109/tip.2018.2867951

ANCUTI C， ANCUTI C O， TIMOFTE R， et al. NTIRE 2018 challenge on image dehazing： methods and results［C］. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）.18-22， 2018， Salt Lake City， UT， USA. IEEE， 2018： 1004-100410. doi: 10.1109/cvprw.2018.00119http://dx.doi.org/10.1109/cvprw.2018.00119

ANCUTI C， ANCUTI C， TIMOFTE R， et al. NTIRE 2019 image dehazing challenge report［C］. Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops， Long Beach， CA， USA： CVPRW， 2019：2241-2253. doi: 10.1109/cvprw50498.2020.00230http://dx.doi.org/10.1109/cvprw50498.2020.00230

ANCUTI C O， ANCUTI C， VASLUIANU F A， et al. NTIRE 2020 challenge on nonhomogeneous dehazing［C］. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）.14-19， 2020， Seattle， WA， USA. IEEE， 2020： 2029-2044.

ANCUTI C O， ANCUTI C， TIMOFTE R， et al. O-HAZE： a dehazing benchmark with real hazy and haze-free outdoor images［C］. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）.18-22， 2018， Salt Lake City， UT， USA. IEEE， 2018： 867-8678. doi: 10.1109/cvprw.2018.00119http://dx.doi.org/10.1109/cvprw.2018.00119

ANCUTI C O， ANCUTI C， SBERT M， et al. Dense-Haze： a benchmark for image dehazing with dense-haze and haze-free images［C］. 2019 IEEE International Conference on Image Processing （ICIP）.22-25， 2019， Taipei， China. IEEE， 2019： 1014-1018. doi: 10.1109/icip.2019.8803046http://dx.doi.org/10.1109/icip.2019.8803046

ANCUTI C O， ANCUTI C， TIMOFTE R. NH-HAZE： an image dehazing benchmark with non-homogeneous hazy and haze-free images［C］. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）.14-19， 2020， Seattle， WA， USA. IEEE， 2020： 1798-1805. doi: 10.1109/cvprw50498.2020.00230http://dx.doi.org/10.1109/cvprw50498.2020.00230

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

跨尺度跨维度的自适应Transformer网络应用于结直肠息肉分割

面向高光谱医学图像分类的空-谱自注意力Transformer

基于偏振度优化与大气光校正的图像去雾

使用改进型大气散射模型的双阶段图像修复

适应性双通道先验的图像去雾方法