基于全局与局部感知网络的超高清图像去雾方法

摘要: 当前，为实现图像全局建模的目的，基于多层感知机（multi-layer perceptron，MLP）的模型通常需要将图像上的像素进行平铺，之后实施一个自注意力机制或“混合”增强方案以获得图像的长范围依赖。然而，这些方法通常消耗大量的计算资源来弥补图像重建丢失的空间拓扑信息。特别是对于超高清图像去雾任务，大量堆积MLP的模型在资源受限的设备上执行一张超高清带雾图像时会出现内存溢出的问题。为了解决这个问题，本文提出了一种可以在单个GPU上对分辨率为4 k的图像进行实时去雾（110 f/s）的模型，该模型的建模过程中保持了图像空间结构信息，同时具有低计算复杂度的优点。

• 关键词: 
• 图像去雾  /  
• 超高清图像  /  
• 多层感知机  /  
• 空间拓扑信息  /  
• 局部特征提取  /  
• 全局特征提取  /  
• 深度学习  /  
• 实时去雾  

带有雾霾的图像具有低对比度和模糊的特性，这会严重影响下游图像处理模型的表现，例如行人检测、图像分割等。对此，大量的单幅图像去雾方法被开发出来，它们的目的在于把输入的带有雾霾的图像转换成一张清晰图像。然而，伴随着移动设备和边缘设备