李明宇
大连工程学院
Volume
李明宇
大连工程学院
目的：比较不同编码—解码结构在浓雾图像恢复中的表现，分析多尺度特征融合与自注意力机制对去雾质量的影响。方法：基于 Dense-Haze 成对图像开展探索性实验，构建 ResNet-50 编码器—解码器、U-Net 及嵌入多头自注意力的 U-Net 模型；统一将图像缩放至 256×256 像素，批量大小为 4，学习率为 1×10-4，训练 30 轮，以均方误差为损失函数，并从收敛趋势、残余雾、结构细节、色彩恢复和伪影等方面进行比较。结果：3 种模型的训练损失均呈下降趋势。ResNet 模型虽收敛较快，但输出存在模糊、亮度不足和棋盘状伪影；U-Net 借助跳跃连接改善了结构与色彩恢复；加入自注意力后，所示样例中的大范围雾分布处理更均衡，整体自然度相对较好。结论：多尺度特征传递是浓雾图像恢复的重要基础，全局依赖建模具有进一步改善视觉一致性的潜力；由于原实验未保留独立测试集及峰值信噪比、结构相似性等完整记录，相关结论仍需通过统一划分、重复训练和外部数据验证。