基于伪三维卷积与偏振特征注意力的图像去雾网络创新研究

针对雾霾图像复原中空间特征与偏振信息利用不足的问题，本研究提出Pseudo3DFFA-Net网络，通过伪三维卷积(Pseudo-3D)构建空间-偏振双注意力机制，结合局部残差学习与八度卷积模块，实现差异化雾浓度处理。实验证明该方法在合成与真实雾图均达到SOTA性能，为物理模型驱动的去雾研究提供新范式。

　　

论文解读
雾霾天气导致的图像退化已成为计算机视觉领域的重大挑战。随着秸秆焚烧、汽车尾气等污染源加剧，大气颗粒物对光的散射作用使成像设备捕获的图像出现对比度下降、细节丢失等问题，严重影响目标检测、人脸识别等下游任务。传统基于大气散射模型的方法如Narasimhan提出的I(z)=J(z)t(z)+A_∞(1-t(z))虽能描述雾图形成过程，但依赖精确估计传输图t(z)和全局大气光A_∞，而深度学习方法的泛化性受限于训练数据特征与物理模型脱节。偏振成像技术因直接关联物理模型展现出优势，但如何高效提取多角度偏振图像信息仍是难题。

中国的研究团队在《Pattern Recognition Letters》发表的研究中，构建了Pseudo3DFFA-Net网络。关键技术包括：1)基于伪三维卷积构建空间-偏振双注意力模块，差异化处理不同雾浓度区域；2)结合八度卷积残差块(Octaves Convolutional Residual)过滤薄雾与低频噪声；3)通过偏振物理模型生成合成数据集，解决真实配对数据稀缺问题。

研究结果

1. 特征注意力机制：通过Pseudo-3D卷积将空间注意力与偏振通道注意力耦合，对厚雾区域赋予更高权重，实验显示该模块使PSNR提升2.3dB。
2. 网络架构设计：基础模块集成局部残差学习、注意力机制与八度卷积，在NYU-Depth数据集上验证可减少15%参数量的同时保持精度。
3. 偏振物理模型：将I、T、A分解为平行(I^∥)与垂直(I^⊥)分量，构建的合成数据训练使真实场景SSIM达0.91。

结论与意义
该研究首次将伪三维卷积引入偏振去雾领域，通过物理模型驱动与深度学习融合，突破传统方法对经验参数的依赖。提出的双注意力机制为多模态图像处理提供新思路，八度卷积设计显著提升网络效率。国家自然科学基金(62171178)等项目的支持成果，在航空遥感、自动驾驶等领域具有应用潜力，未来可扩展至其他大气干扰消除任务。