摘要：为解决目前大多数深度学习去雾算法去雾过程中细节丢失、可解释性差的问题，提出了一种可解释的双分支深度学习去雾算法。该算法设计双分支协同架构解耦去雾任务，上分支雾霾提取子任务通过设计的雾霾提取块（haze removal block，HRB）在频域中提取雾霾特征，并引入通道注意力机制以增强浓雾区域的特征捕获；下分支细节修复子任务采用聚合式残差框架修正提取特征时损失的纹理细节；通过计算模糊图像与雾霾特征图像的负残差得到初步去雾图像，并利用下分支修正细节，获得最终的去雾图像。在SOTS、NH-HAZE和真实场景数据集上进行相关实验，结果表明，相较于现有的主流去雾算法，本文算法恢复的图像不仅雾霾去除更加彻底、细节保留更加完整，而且客观评价指标也有显著提升。研究成果不仅为深度学习在图像去雾领域开辟了新的研究方向，还为实际应用中的图像清晰化处理提供了切实可行的解决方案。
文章目录
1 本文算法
1.1 雾霾特征提取分支
1.2 细节恢复分支
1.3 损失函数
1.3.1 ■损失
1.3.2 对比损失
1.3.3 多尺度结构相似度损失
1.3.4 总损失函数
2 实验结果及分析
2.1 数据集及参数设置
2.2 去雾质量定性分析
2.3 去雾质量定量分析
2.4 消融实验
3 结 论
