融合动态多专家门控的遥感图像去雾网络

Read full text Summarise with VIRAT
Authors: Zhou Hao, Shi Yuhang, ZHANG Qian(张倩), Tao Tao, Guan Xin Guan Xin
Cited by: 0
References: 14

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

目的针对复杂大气条件下遥感图像中的雾分布高度非均匀、颜色失真严重以及结构细节易丢失等问题,研究一种具备动态特征建模能力的遥感图像去雾方法,以提升模型在真实场景中的稳定性与泛化性。方法在U-Net框架基础上,提出一种基于动态多专家门控机制的遥感图像去雾网络(dynamic multi-expert gating dehazing network,DMEGD-Net)。通过构建由颜色专家与边缘专家组成的多专家分支,并引入动态门控网络实现特征的自适应加权融合,增强模型对不同雾分布与地物特征的建模能力。同时,利用通道-像素注意力模块以强化关键通道与空间位置的响应,在解码阶段使用双源融合模块以协同整合高层语义信息与低层结构细节。此外,构建结合内容一致性与边缘结构约束的复合损失函数,引导网络在去雾中兼顾整体视觉质量与局部结构恢复。结果在SateHaze1k、HRSD和RRSHID的多个遥感图像去雾数据集上的实验结果表明,所提方法在峰值信噪比(peak signal-to-noise ratio, PSNR)、结构相似性指数(structural similarity index measure, SSIM)和雾密度感知评价指标FADE(fog aware density evaluator, FADE)的客观评价指标上均取得优于现有主流方法的去雾质量表现。在SateHaze1k浓雾场景中,本文方法的PSNR达22.32dB、SSIM达0.8441,相较AU-Net分别提升12.4%和2.6%,FADE指标低至0.22,有效抑制残留雾感,提升结构一致性和颜色还原效果。消融实验进一步验证了动态多专家门控机制、注意力模块及复合损失函数在性能提升中的有效性。结论本文所提出DMEGD-Net能够显著增强遥感图像去雾模型对复杂场景的自适应能力,为高质量遥感图像去雾提供了一种有效解决方案。代码与模型已公开:https://github.com/YuH1127/DMEGD-Net或者https://doi.org/10.57760/sciencedb.j00240.00054。

Fields of Study & Subjects

Image Enhancement Techniques Image and Signal Denoising Methods Advanced Image Processing Techniques

Publication details

Journal / source
Journal of Image and Graphics
Volume
0
Issue
0
Pages
1–14
Publication date
1 January 2026
Language
ZH