基于感知融合机制的渐进式去雾网络

智能辅助驾驶应用场景对图像去雾的准确性和实时性要求较高。提出了一种新颖的基于感知融合机制的渐进式去雾网络(progressive dehaze network, PD-Net),将降质图像恢复的任务分解为多阶段的子任务，通过轻量级的子网分块学习特征图的不同区域语义信息，以提升去雾效率。在此基础上，基于注意力机制和导向滤波设计跨阶段感知融合模块(perception fusion module, PFM),自适应感知各阶段提取的多尺度特征并进行融合，而不损失图像细节信息及边缘结构信息。实验结果表明，与现有主流的端对端去雾模型相比，所提出的算法在处理户外图像时具有更高的准确度和实时性，在公开的合成对象测试集(synthetic object testing set, SOTS)上的峰值信噪比(peak signal to noise ratio, PSNR)与现有最好结果相比提升了0.93 dB,处理单幅图像仅需72 ms,提出的网络模型有望应用于智能交通等现实领域。