论文阅读：FFA-Net: Feature Fusion Attention Network for Single Image Dehazing

最新推荐文章于 2026-05-10 05:22:29 发布

原创

最新推荐文章于 2026-05-10 05:22:29 发布 · 6.2k 阅读

标签

#图像去雾

提出FFA-Net单幅图像去雾网络，引入特征注意力模块，包含通道注意力和像素注意力，有效处理雾分布不均的问题。网络采用基本块结构和组架构，通过全局残差学习提高图像恢复质量。

论文题目及作者
代码：https://github.com/zhilin007/FFA-Net

1. 摘要

本文提出了Feature Fusion Attention Network(FFA-Net)用于单幅图像去雾。该网络最重要的是Feature Attention(FA)模块。FA模块包含了Channel Attention(CA)模块和Pixel Attention(PA)模块。

2. 网络结构

网络总体结构如图1所示。

图1 网络总体结构

网络的输入为一张雾图，经过一个浅层的特征提取部分，然后馈入N个带有跳跃连接的Group Architecture，输出结果由本文提出的特征注意力模块进行融合，最后，经由重建部分和全局残差学习结构得到最终的无雾图输出。

2.1 Feature Attention(FA)

特征注意力模块结构如图2所示。

大多数去雾网络平等对待通道和像素的特征，无法准确处理雾分布不均和加权通道方式特征的图像。本文的特征注意力包含了通道注意力和像素注意力，可以在处理不同类型的信息时提供额外的灵活性。
FA不平等地对待不同的特征和像素区域，这可以在处理不同类型的信息时提供额外的灵活性，并可以扩展CNN的表示能力。关键步骤是如何为每个通道和像素方向的特征生成不同的权重。

图2 Feature Attention module

Channel Attention(CA)

我们的频道关注点主要是关于DCP，不同的频道功能具有完全不同的加权信息。首先，我们使用全局平均池将通道方式的全局空间信息带入通道描述符。
$g_{c}=H_{p}\left(F_{c}\right)=\frac{1}{H \times W} \sum_{i=1}^{H} \sum_{j=1}^{W} X_{c}(i, j) \tag{3}$