典型文献
基于通道注意力与条件生成对抗网络的图像去雾
文献摘要：
针对当前去雾方法存在雾残留、颜色失真等问题,结合生成对抗网络在图像超分辨率重建的优势,提出基于通道注意力与条件生成对抗网络图像去雾算法(CGAN-ECA).网络基于编码-解码结构,生成器设计多尺度残差模块(multi-scale residual block,MRBlk)和高效通道注意力模块(efficient channel attention,ECA)扩大感受野,提取多尺度特征,动态调整不同通道权重,提高特征利用率.使用马尔可夫判别器分块评价图像,提高图像判别准确率.损失函数增加内容损失,减少去雾图像的像素和特征级损失,保留图像更多的细节信息,实现高质量的图像去雾.在公开数据集RESIDE实验结果表明,提出的模型相比于DCP、AOD-Net、DehazeNet和GCANet方法峰值信噪比和结构相似性分别平均提高36.36％,8.80％,改善了颜色失真和去雾不彻底的现象,是一种有效的图像去雾算法.
文献关键词：
图像去雾;条件生成对抗网络;注意力机制;多尺度特征;深度学习
中图分类号：
作者姓名：
赵茂军;郭凰;白俊峰;廖聪
作者机构：
长安大学信息工程学院,西安710064
文献出处：
引用格式：
[1]赵茂军;郭凰;白俊峰;廖聪-.基于通道注意力与条件生成对抗网络的图像去雾)[J].计算机系统应用,2022(11):167-174
A类：
MRBlk,GCANet
B类：
条件生成对抗网络,前去,颜色失真,图像超分辨率重建,网络图像,图像去雾算法,CGAN,ECA,解码,生成器,多尺度残差,残差模块,multi,scale,residual,block,高效通道注意力模块,efficient,channel,attention,感受野,多尺度特征,马尔可夫判别器,分块,损失函数,加内,像素,细节信息,公开数据集,RESIDE,DCP,AOD,DehazeNet,峰值信噪比,结构相似性,注意力机制
AB值：
0.295145
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
