基于频域动态振幅卷积与和谐增强的单幅图像去雾方法研究

针对现有卷积神经网络在去雾任务中缺乏雾霾特征先验、难以协同增强局部与全局特征的瓶颈，研究人员创新性地提出动态振幅卷积（DAC）和谐增强模块（HEM）。DAC通过频域振幅分量动态生成卷积核，嵌入雾霾退化先验；HEM结合局部注意力机制与傅里叶变换全局特性，实现细节与语义的双重增强。最终构建的DAF-Net在合成与真实场景数据集上均达到SOTA性能，如SOTS-Outdoor数据集PSNR达39.10 dB（+1.01）。该研究为复杂环境下的视觉系统提供了更鲁棒的解决方案。

　　

在智能交通、工业检测等场景中，雾霾导致的图像质量退化一直是计算机视觉领域的棘手问题。传统去雾算法依赖物理先验（如暗通道先验），但在复杂光照或非均匀雾分布条件下表现欠佳。近年来，基于卷积神经网络（CNN）的方法虽取得进展，却面临两大核心挑战：一是标准卷积的静态核难以自适应不同雾浓度分布；二是现有模型难以平衡局部细节恢复与全局光照校正。更关键的是，动态卷积方法虽提升灵活性，却忽视了雾霾本身的频域特征规律。这些问题严重制约了去雾模型在真实场景中的应用效果。

针对上述挑战，广州大学的研究团队在《Expert Systems with Applications》发表论文，提出DAF-Net（Dynamic Amplitude Filtering Network）。该研究首次发现雾霾特征主要编码于频域振幅分量，据此设计动态振幅卷积（DAC）和谐增强模块（HEM）。实验表明，DAF-Net在合成数据集SOTS-Outdoor上PSNR达39.10 dB（较基线提升1.01 dB），在真实场景Dense-Haze和夜间NHR数据集上分别实现17.91 dB（+0.58）和27.14 dB（+1.01）的突破性性能。

关键技术方法
研究采用频域分析与动态卷积相结合的策略：1）通过快速傅里叶变换（FFT）提取振幅分量生成动态卷积核（DAC）；2）设计HEM模块，局部分支采用卷积注意力强化细节，全局分支利用傅里叶变换捕获光照语义；3）整合合成（SOTS）、真实（Dense-Haze）及夜间（NHR）三类数据集验证泛化性。

研究结果

动态振幅卷积（DAC）的有效性
通过振幅-相位交换实验证实，雾霾特征集中于振幅分量。DAC将FFT提取的振幅信息动态转化为卷积核权重，使标准卷积具备雾浓度自适应能力。对比DEA-Net等静态卷积模型，DAC在边缘区域的残雾消除效果提升显著（图1）。

和谐增强模块（HEM）的协同作用
HEM通过局部注意力分支（3×3卷积+通道注意力）增强纹理细节，同时利用傅里叶全局分支校正光照偏差。在Dense-Haze数据集上，HEM使局部对比度提升23%，全局色彩一致性误差降低18%。

跨场景性能验证
DAF-Net在合成、真实和夜间数据集中均表现最优：1）SOTS-Outdoor的SSIM达0.983；2）NHR数据集的夜间雾霾消除效果超越ConvIR，尤其解决了低照度下的色偏问题（图3）。

结论与意义
该研究通过频域动态滤波与多尺度特征协同，实现了去雾领域的三大创新：1）DAC首次将雾霾先验嵌入动态卷积核生成过程，突破传统动态卷积缺乏物理约束的局限；2）HEM通过傅里叶变换与注意力的异构融合，解决了局部-全局特征失衡难题；3）DAF-Net为自动驾驶、遥感监测等实际应用提供了更可靠的视觉增强方案。未来工作可探索振幅分量与雾浓度物理模型的深层关联，进一步提升极端环境下的鲁棒性。