【ARXIV2204】Vision Transformers for Single Image Dehazing

论文：https://arxiv.org/abs/2204.03883

代码：https://github.com/IDKiro/DehazeFormer

1、研究动机

作者提出了 DehazeFormer 用于图像去雾，灵感来自Swin Transformer ，论文中有趣的地方在于 reflection padding 和 注意力的计算

2、主要方法

该方法框架如下图所示，是一个5阶段的UNET结构，卷积块被DehazeFormer block取代。

Reflection padding

在SWIN中，使用shfited window来实现窗口间信息的交互，但是作者认为这种操作对于图像边缘区域并不友好。对于分类任务来说，目标区域总是位于图像中间，因此使用 shift window是没有问题的，但是对于图像修复任务来说，边缘区域是同样重要的，这样的操作就不合适了。为此，作者提出了 reflection padding 操作，如下图所示。

输入图像尺寸是8x8，图中的 window 是 4x4 的，这样对于边缘区域复制2个patch，图像大小就成为12x12，这样就可以变成3x3=9个window。在这9个window里计算局部attention，计算结束后，把中间8x8的区域切出来即可。

作者也指出，这样的操作会引起计算和内存资源的消耗。

W-MHSA with parallel convolution

作者认为由于MHSA的聚集权重是动态的和归一化的，作者认为静态的、可学习的和无约束的聚集权重有助于补充MHSA。因此作者对V进行了额外的卷积。在论文的整体架构图中也能看到 V后面一个卷积层，与 attention 的计算结果做加法。

实验部分可以参照作者论文，这里不过多介绍。