近年来,环境污染问题日趋严重,雾霾天气出现的越来越频繁,严重地影响了我们日常的生产与生活。在雾霾天气下,光学设备无法获取有效的场景信息,色彩失真严重,图像对比度较低,成像质量较差,对视频监控、自动驾驶、卫星遥感等领域造成了较大的影响和干扰。因此,如何在不丢失图像细节或引入额外干扰信息的前提下,有效地去除图像中的雾霾,最大程度上恢复出图像的细节和纹理信息,提高图像清晰度和饱和度,具有重要的研究意义和应用价值。图像去雾是一个极具挑战性的研究课题,引起了学术界和工业界的广泛关注。但大多数图像去雾方法都严重依赖于大气散射模型,通过估算有雾图像的场景深度图和大气环境光来线性拟合出无雾图像。但在现实自然环境中,雾霾的成因错综复杂,难以通过一个简单的线性公式来进行拟合,同时场景深度图和大气环境光等参数的不准确估计也进一步影响了图像去雾效果,造成复原图像出现颜色失真、伪影以及去雾不明显等现象。此外,很多基于神经网络的去雾方法在推理计算的过程中,对不同空间像素、不同特征通道施以同样的权重值,但雾气在一幅图像中往往是非均匀分布的,不同特征通道提取的特征信息也是不同的,因此需要对图像中不同空间像素和不同特征通道施以不同的注意力或权重值,以提高神经网络的特征表达能力。同时,很多基于神经网络的去雾方法都需要同一场景下成对的有雾图像与无雾图像作为训练数据,但这些数据在实际应用中难以获得,这也严重限制了去雾网络的发展和应用。同样值得指出的是,大部分基于神经网络的去雾方法均利用了卷积操作来提取图像特征,但是,具有参数共享特性的卷积操作在应用时有两点弊端,一是卷积操作更加关注于局部特征信息的提取,不能对超出感受野范围的特征进行建模,因此无法很好地感知图像全局特征信息;二是卷积核与图像之间的交互并不能根据图像内容而自适应地调整,使用相同的卷积核来复原不同区域的图像可能并不是最好的选择。针对上述问题,论文对图像去雾问题展开了研究。围绕生成式对抗网络,结合密集连接网络、U-Net型网络、Transformer、残差网络、注意力机制等关键技术,开展了问题分析、网络设计、理论研究、仿真实验等一系列工作。论文主要研究内容如下:·针对大气散射模型和神经网络注意力问题,提出了一种基于空间和通道残差注意力网络的图像去雾方法,该去雾方法不需要估计任何大气散射模型参数,可以直接根据输入的有雾图像恢复出清晰无雾图像。具体来说,提出了一个空间和通道残差注意力模块,该模块通过分析不同空间像素、不同特征通道之间的相互关系,自适应地为不同空间像素和不同特征通道分配权重值,使得神经网络更着重于分析和处理价值量更大的像素点和特征通道,进而提升神经网络的特征表达能力。同时,提出了对比损失函数和配准损失函数来对去雾网络进行训练,以更好地保留图像中的细节和纹理信息,并减少伪影的生成。实验结果表明,该方法在公开的合成图像数据集和真实有雾图像中均取得了良好的去雾效果,复原出的图像细节更加清晰,色彩也更加丰富。·针对成对图像数据集问题,基于循环式生成对抗网络,设计了一个雾气关联特征注意力去雾网络。具体来说,考虑到有雾区域与无雾区域在多方面物理特性的差异,首先计算得到有雾图像的亮度、饱和度、对比度、颜色衰减和暗通道特征图,之后分别将这些特征图输入到雾气关联特征注意力网络中,得到相对应的雾气注意力图。由于雾气在图像中通常都是非均匀分布的,雾气注意力图可以提供有雾图像中每个像素点的雾气浓度信息,进而对后续去雾网络进行指导并提供参考,以实现更好的去雾效果。同时,提出了颜色损失函数来对去雾网络进行训练,以减少生成图像的色彩失真。该网络的训练不依赖于成对的有雾图像与无雾图像,只需要随机选取一个有雾图像数据集和一个无雾图像数据集,即可完成对网络的训练。经实验验证,该去雾方法可以高效地去除有雾图像中的雾气,并复原出高质量无雾图像。·为了克服卷积操作无法对超出感受野范围的特征进行建模的问题,提出了全局和局部特征融合去雾网络。具体来说,该网络分别利用Transformer和卷积操作提取图像全局和局部特征信息,并将两者融合后输出,充分发挥了Transformer建模长距离依赖关系和卷积操作局部感知特性的优势,实现了特征的高效表达。在最终输出复原图像前,设计了包含多尺度图像块的增强模块,利用Transformer进一步聚合全局特征信息,丰富复原图像细节。同时,提出了一个全局位置编码生成器,可自适应地根据全局图像内容信息生成位置编码,进而实现对像素点间依赖关系的二维空间位置建模。实验结果表明,所提出的去雾网络在合成图像数据集和真实有雾图像中均展现出了较好的去雾性能,复原图像更加真实和清晰,细节还原度高。