Traditional deep learning-based image dehazing methods usually use the high-level features (which contain more semantic information) to remove haze in the input image, while ignoring the low-level features (which contain more detail information). In this paper, a Pyramid Channel-based Feature Attention Network (PCFAN) is proposed for single image dehazing, which leverages complementarity among different level features in a pyramid manner with channel attention mechanism. PCFAN consists of three modules: a three-scale feature extraction module, a pyramid channel-based feature attention module (PCFA), and an image reconstruction module. The three-scale feature extraction module simultaneously captures the low-level spatial structural features and the high-level contextual features in different scales. The PCFA module utilizes the feature pyramid and the channel attention mechanism, which effectively extracts interdependent channel maps and selectively aggregates the more important features in a pyramid manner for image dehazing. The image reconstruction module is used to reconstruct features to recover a clear image. Meanwhile, a loss function that combines a mean square error loss part and an edge loss part is employed in PCFAN, which can better preserve image details. Experimental results demonstrate that the proposed PCFAN outperforms existing state-of-the-art algorithms on standard benchmark datasets in terms of accuracy, efficiency, and visual effect. The code will be made publicly available.

传统的基于深度学习的图像去雾方法通常使用高级功能（包含更多语义信息）来消除输入图像中的雾度，而忽略低级功能（包含更多详细信息）。本文提出了一种基于金字塔通道的特征关注网络（PCFAN），用于单图像去雾，它利用通道关注机制以金字塔的方式利用了不同层次特征之间的互补性。PCFAN由三个模块组成：三级特征提取模块，基于金字塔通道的特征注意模块（PCFA）和图像重建模块。三尺度特征提取模块可以同时捕获不同尺度下的低层空间结构特征和高阶上下文特征。PCFA模块利用特征金字塔和通道注意机制，可以有效地提取相互依赖的通道图，并以金字塔的方式有选择地聚合更重要的特征，以进行图像去雾。图像重建模块用于重建特征以恢复清晰图像。同时，在PCFAN中采用了结合了均方误差部分和边缘损失部分的损失函数，可以更好地保留图像细节。实验结果表明，所提出的PCFAN在准确性，效率和视觉效果方面均优于标准基准数据集上现有的最新算法。该代码将公开提供。有效提取相互依存的通道图，并以金字塔的方式有选择地聚合更重要的特征以进行图像去雾。图像重建模块用于重建特征以恢复清晰图像。同时，在PCFAN中采用了结合了均方误差损失部分和边缘损失部分的损失函数，可以更好地保留图像细节。实验结果表明，所提出的PCFAN在准确性，效率和视觉效果方面均优于标准基准数据集上现有的最新算法。该代码将公开提供。有效提取相互依存的通道图，并以金字塔的方式有选择地聚合更重要的特征以进行图像去雾。图像重建模块用于重建特征以恢复清晰图像。同时，在PCFAN中采用了结合了均方误差损失部分和边缘损失部分的损失函数，可以更好地保留图像细节。实验结果表明，所提出的PCFAN在准确性，效率和视觉效果方面均优于标准基准数据集上现有的最新算法。该代码将公开提供。PCFAN中采用了结合了均方误差部分和边缘损失部分的损失函数，可以更好地保留图像细节。实验结果表明，所提出的PCFAN在准确性，效率和视觉效果方面均优于标准基准数据集上现有的最新算法。该代码将公开提供。PCFAN中采用了结合了均方误差部分和边缘损失部分的损失函数，可以更好地保留图像细节。实验结果表明，所提出的PCFAN在准确性，效率和视觉效果方面均优于标准基准数据集上现有的最新算法。该代码将公开提供。