基于U-Net与Transformer的循环一致性生成对抗网络（UTCR-Dehaze）实现非配对遥感图像去雾

为解决遥感图像去雾中特征丢失与色差问题，研究人员提出UTCR-Dehaze方法，结合U-Net与Transformer构建CycleGAN生成器，通过混合级联注意力模块（MCGA）和循环感知一致性损失（Cpidt），显著提升非配对图像去雾效果，实验验证其在细节保留与色彩还原上的优越性。

　　

遥感技术广泛应用于城市规划、环境监测等领域，但大气中的雾霾导致图像模糊、对比度降低和色彩失真，严重影响后续的计算机视觉任务，如目标检测和图像分类。传统去雾方法依赖先验假设，泛化能力有限；而基于深度学习的配对图像去雾方法面临数据获取困难的问题。非配对去雾方法虽更实用，但存在特征丢失和色差等缺陷。针对这些挑战，河南理工大学等机构的研究团队在《Engineering Applications of Artificial Intelligence》发表论文，提出UTCR-Dehaze方法，通过结合U-Net与Transformer的CycleGAN框架，实现了高效的非配对遥感图像去雾。

关键技术方法
研究采用循环一致性生成对抗网络（CycleGAN）框架，生成器融合U-Net编码器-解码器（处理高频特征）与Transformer瓶颈层（学习低频特征关系）。设计混合级联组注意力模块（MCGA），结合动态卷积与级联注意力优化局部与全局特征。损失函数引入循环感知一致性损失（Cpidt），整合VGG₁₉网络特征与循环一致性约束。实验基于合成与真实遥感数据集，对比DehazeFormer、UFormer等方法。

研究结果

1. 网络架构设计：UTCR-Dehaze生成器通过U-Net多尺度跳连传递高频特征，Transformer瓶颈层学习低频结构，显著减少计算量。MCGA模块通过分组注意力与动态卷积增强特征学习。
2. 损失函数优化：Cpidt损失联合感知损失（VGG₁₉）与循环一致性损失，有效抑制色差并保留细节。
3. 实验验证：在多个数据集上，UTCR-Dehaze的PSNR、SSIM指标优于对比方法，视觉结果显示更清晰的边缘与自然色彩。

结论与意义
该研究创新性地将U-Net与Transformer结合于CycleGAN框架，解决了非配对去雾中的特征丢失与色差问题。MCGA模块与Cpidt损失的引入进一步提升了细节恢复能力。实验证明该方法在遥感图像去雾中具有显著优势，为实际应用提供了可靠解决方案。未来可探索更多跨模态特征融合策略，以应对复杂大气条件下的图像增强需求。