FFA-Net实战解析：如何通过特征融合与注意力机制提升单图像去雾效果

1. 为什么单图像去雾需要特征融合与注意力机制？

当你用手机在雾天拍照时，照片总是灰蒙蒙的，就像隔着一层毛玻璃。传统方法像用PS手动调对比度，往往会让天空过曝或丢失细节。这背后其实是个物理问题——大气散射导致光线被悬浮粒子干扰，用数学公式表达就是经典的「大气散射模型」：雾图=清晰图×透射率+大气光×(1-透射率)。要解这个方程，关键在准确估计透射率和全局大气光。

早期基于暗通道先验的方法就像用固定公式解方程，遇到不符合假设的场景（比如白色建筑物）就会失效。而FFA-Net的创新在于：它发现雾的分布具有空间不均匀性和通道差异性两大特点。比如同一张图中，远处树林的雾浓度可能比近处建筑高3-5倍，而蓝色通道受雾影响通常比红色通道更显著。这就好比医生做手术时需要针对不同部位使用不同器械——传统CNN对所有区域「一视同仁」的处理方式显然不够精细。

2. FFA-Net的三大核心武器

2.1 特征注意力模块：给特征图装上智能滤镜

想象你在修图时，会对天空、人脸等不同区域用不同强度的美化参数。FFA-Net的特征注意力(FA)模块就是干这个的，它包含两个子模块：

• 通道注意力(CA)：先做全局平均池化获取每个通道的「特征浓度」，比如发现第32个卷积核专门检测边缘，其权重就会自动提升。公式表达为：

  # PyTorch实现示例
  class ChannelAttention(nn.Module):
      def __init__(self, channel, reduction=16):
          super().__init__()
          self.gap = nn.AdaptiveAvgPool2d(1)
          self.fc = nn.Sequential(
              nn.Linear(channel, channel//reduction),
              nn.ReLU(),