1.FCAttention介绍
1.1 摘要：近年来，无监督算法在图像去雾方面取得了显著的效果。然而，CycleGAN框架会因数据分布不一致而导致生成器学习混乱，而DisentGAN框架对生成的图像缺乏有效约束，导致图像内容细节丢失和颜色失真。此外，Squeeze和Excitation通道仅利用完全连通的层来获取全局信息，缺乏与局部信息的交互，导致用于图像去雾的特征权重分配不准确。针对上述问题，本文提出了一种无监督双向对比重构自适应细粒度信道注意力网络（UBRFCNet）。提出了一种无监督双向对比重建框架（BCRF），旨在建立双向对比重建约束，避免CycleGAN中的生成器学习混乱，增强对清晰图像的约束能力和无监督去雾网络的重建能力。此外，提出了一种自适应细粒度信道注意（FCA）算法，利用相关矩阵在不同粒度上捕获全局信息和局部信息之间的相关性，促进它们之间的交互，实现更有效的特征权值分配。在具有挑战性的基准数据集上的实验结果证明了UBRFC-Net相对于现有的无监督图像去雾方法的优越性。本研究成功地介绍了一种增强的无监督图像去雾方法，解决了现有方法的局限性，并取得了上级去雾效
标签：细粒度,FCAttention,双向,生成器,监督,YOLOv11,图像,注意力 From： https://blog.csdn.net/tsg6698/article/details/144858292