DDCA-Net：融合空间与频率域通道交互的图像去雾及下游视觉任务增强模型

本综述推荐DDCA-Net（Dual-Domain Channel Attention Network），该模型通过空间通道注意力（SCA）和频率通道注意力（FCA）双模块协同，突破传统去雾方法在色彩失真与高频细节恢复的瓶颈。SCA采用带符号通道权重校正机制，FCA通过多分支频率分解（Laplacian金字塔）选择性增强纹理，在PSNR指标上显著提升（如LOL-v2达1.79 dB增益），并有效支持下游目标检测与分割任务。

　　

Highlight

大气雾霾导致图像色彩失真与纹理丢失。DDCA-Net创新性地整合空间与频率双域通道注意力，SCA模块通过1×1卷积与双激活门控（tanh/HardSwish）建模带符号通道依赖，纠正波长相关性色彩偏移；FCA模块构建四层拉普拉斯金字塔（Laplacian pyramid），通过扩张残差减法分离极低频、低频、中频与高频成分，并采用三分支注意力机制独立调制空间（α_s）、通道（α_c）与滤波器（α_f）维度，选择性增强雾霾中衰减的高频细节，抑制噪声与光晕伪影，实现锐化且感知精准的重建效果。

Image dehazing

大气散射引发图像色彩失真与纹理损失。经典编码器-解码器架构（如U-Net、UR-Net）利用多尺度特征与跳跃连接，但其扩展形式（如空洞卷积或空间注意力）常忽略雾霾形成中关键的通道间光谱依赖性。

Methodology

本节详述DDCA-Net方法论：首先概述针对图像去雾的编码器-解码器整体架构；随后介绍SCA与FCA模块，阐明其互补作用；最后描述整合空间与频率域监督的损失函数。

Experiments and results

本节呈现DDCA-Net在多样图像修复任务中的综合实验评估，涵盖合成与真实图像去雾、遥感应用及低光增强场景，通过消融研究与可视化验证各组件有效性。

Limitations

尽管DDCA-Net在多种基准测试中表现强劲，仍存在局限：极高密度雾霾条件下（如城市雾或野火烟雾）效果受限；SCA与通道自注意力的对比研究仅在单一基线架构中进行，可能未充分捕捉跨架构泛化性。

Conclusion

DDCA-Net通过整合SCA与FCA模块到统一编码器-解码器架构，在多样雾霾条件下实现强劲恢复性能，为单图像去雾提供空间通道依赖与频率感知表征的联合建模框架。