图像去雾是经典的图像处理问题之一，专注于从给定的模糊图像中精确恢复清晰图像。大数据部外籍博士后Farah Deeba和博士生Fayaz A. Dharejo研究了深度学习在低级计算机视觉任务图像去雾中的应用，研究成果A novel image dehazing framework for robust vision-based intelligent systems发表在International Journal of Intelligent Systems上。

　　该研究主要提出了一种渐进式两阶段图像去雾网络框架来克服当前图像去雾算法的挑战。该框架分为两步：第一阶段是提取编码器和解码器结构的多尺度图像特征。第二阶段是颜色校正模型 (CCM)，负责检索接近地面实况的平衡颜色。其中编码-解码器网络由密集残差注意力单元 (DRAU) 组成，该单元包含具有像素注意力机制的通道注意力。加权信息和雾度差异在没有 DRAU 的情况下在各种通道的特征上不一致。DRAU 对这些不同的特征和像素进行不均等地处理，为处理各种类型的详细信息的知识方面提供了更多的通用性。

　　在 SOTS 室内和室外测试数据集上，使用最佳发布的峰值信噪比指标 33.55–33.44 dB 和 SSIM 0.9619–0.9714 对结果进行了测试，结果表明所提出的两阶段网络在视觉和定量方面都超过了目前最先进的算法。（撰稿：赵江华）

　　相关成果：Farah Deeba,Fayaz A. Dharejo,Muhammad Zawish,Fida H. Memon,Kapal Dev,Rizwan A. Naqvi,Yuanchun Zhou,Yi Du.A novel image dehazing framework for robust vision-based intelligent systems.International Journal of Intelligent Systems.2021;1-18.

　　图1 两步骤整体网络架构图

图2 特征注意力模块图