论文阅读：GridDehazeNet: Attention-Based Multi-Scale Network for Image Dehazing

---

引言

论文链接：https://arxiv.org/abs/1908.03245v1
代码链接：https://github.com/proteus1991/GridDehazeNet

一、概述

GridDehazeNet是一个端到端可训练的神经网络，被设计用来去雾。主要有如下贡献：
（1）该方法不依赖于大气散射模型；
对于图像恢复问题，通常需要使用物理模型来合成数据集，那么针对该数据集训练出的去雾模型是否也适应其他的情况，就是说该物理模型是否具有一定的代表性。
（2）预处理模型是可以训练的，相比于人工选择的方法更具有灵活性；
预处理方法通常是基于启发式的，要具体问题具体分析。
（3）基于注意力机制旧的多尺度网络可以较好的估计模型中的参数，该网络可以高效的交换不同尺度的信息，从而有效缓解多尺度估计的瓶颈问题。
有雾图像与去雾图像之间关系极为复杂，建模后设计高维参数。多尺度估计：①用低维模型近似高维模型②基于训练数据评估低维模型参数③参数化估计的低维模型的邻域，执行精细估计来解决此问题，如果需要，重复这个过程。显然，一个尺度上的估计精度将影响下一个尺度上的估计精度。由于多尺度估计通常是以连续的方式进行的，因此其性能往往受到某个瓶颈的限制。

二、网络架构

GridDehazeNet网络结构如上图所示，由三部分组成，分别是：预处理模块、主体模块和后处理模块。
预处理模块由一个卷积网络和一个RDB组成
主体模块是一个grid net
后处理模块由一个RDB组成

残差密集块（RDB）

如图所示是GridDehazeNet网络架构中的RDB的结构，RDB是由文章：Y. Zhang, Y. Tian, Y. Kong, B. Zhong, and Y. Fu. Residual dense network for image super-resolution. In IEEE Conference on Computer Vision and Pattern Recognition (CVPR)提出的。
残差密集块RDB = ** 密集连接 + 局部特征融合（LFF）+ 局部残差 **
** Dense ： 所谓连续记忆机制，个人理解其实就是可以将第d − 1 个RDB块的输出直接输入到第d个RDB块中的每一层去（见上图dense部分的红线所示），经过dense的作用，可以将Fd-1、Fd,1、Fd,c,Fd,C的特征都利用起来
** 局部特征融合（Local feature fusion） 即RDB中的那个concat，能够将前一个RDB的输出F d − 1 、当前RDB Fd 中每一层得到的状态融合通过concat在一起。然后，再利用1 × 1卷积对concat降低通道数，简化数据
** 局部残差学习（Local residual learning）**由于RDB中存在多个卷积层，因此引入局部残差学习以进一步改善信息流。

基于注意力机制的特征值相加

三、损失函数

损失函数由两部分组成：分别为** Smooth L1 Loss **和 ** Perceptual Loss **

Smooth L1 Loss

其中x为像素所在位置。

Perceptual Loss