用于遥感图像去雾的双域融合注意力网络

摘要 在遥感图像处理过程中，雾霾显著降低了图像清晰度，从而严重影响后续的图像处理和分析任务。基于卷积神经网络（CNN）的去雾模型能够有效去除遥感图像中的雾霾，从而提高其清晰度。然而，现有的基于CNN的去雾方法在处理全局依赖性方面存在局限性。在训练深度网络时，梯度信号可能会逐渐减弱甚至消失。为了解决上述挑战，本文提出了一种新颖的基于频率-空间双重指导的双域融合注意力网络（DDFAN），利用变换器在捕捉全局关系方面的优势。DDFAN结合了一种新的空间和通道融合注意力（SCFA），并辅以由泰勒公式扩展的多维卷积头转置注意力（T-MDTA）。这种结合的方法使DDFAN能够从雾霭图像中恢复更精细的细节。在遥感Haze1k数据集上的实验结果表明，所提方法在去雾性能指标上取得了显著改善，峰值信噪比（PSNR）平均提高1.2888 dB，结构相似性指数测量（SSIM）提高0.0139，较基线改善约1.5%，且优于现有方法。我们的代码已在https://github.com/gouyihao/DDFAN上公开发布。