计算机工程

作者：王超, 王婷, 王少军, 杨万扣

单位：1. 南京林业大学信息科学技术学院，江苏 南京 2100372. 东南大学自动化学院，江苏 南京 210018

关键词：多尺度网络结构,深度可分离卷积,金字塔池化模块,低照度增强模块,图像去雾

基金：国家自然科学基金(62276061); 国家自然科学基金(62006041)

经典AOD-Net(All in One Dehazing Network)去雾后的图像存在细节清晰度不足、明暗反差过大和画面昏暗等问题。为了解决这些图像去雾问题，提出一种在AOD-Net基础上改进的多尺度算法。改进的网络结构采用深度可分离卷积替换传统卷积方式，减少了冗余参数量，加快了计算速度并有效地减少了模型的内存占用量，从而提高了算法去雾效率；同时采用多尺度结构在不同尺度上对雾图进行分析和处理，更好地捕捉图像的细节信息，提升了网络对图像细节的处理能力，解决了原算法去雾时存在的细节模糊问题；最后在网络结构中加入金字塔池化模块，用于整合图像不同区域的上下文信息，扩展了网络的感知范围，从而提高网络模型获取有雾图像全局信息的能力，进而改善图像色调失真、细节丢失等问题。此外，引入一个低照度增强模块，通过明确预测噪声实现去噪的目标，从而恢复曝光不足的图像。在低光去雾图像中，峰值信噪比(PSNR)和结构相似性(SSIM)指标均有显著提升，处理后的图片具有更高的整体自然度。实验结果表明：与经典AOD-Net去雾的结果相比，改进算法能够更好地恢复图像的细节和结构，使得去雾后的图像更自然，饱和度和对比度也更加平衡；在RESIDE的SOTS数据集中的室外和室内场景，相较于经典AOD-Net，改进算法的PSNR分别提升了4.559 3 dB和4.065 6 dB，SSIM分别提升了0.047 6和0.087 4。

来源：2025年第7期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第7期