本文内容：在不同位置添加gConvBlock

目录

论文简介

1.步骤一

2.步骤二

3.步骤三

4.步骤四

---

论文简介

图像去雾是低层次视觉中的一个活跃话题，随着深度学习的快速发展，许多图像去雾网络被提出。尽管这些网络的管道运行良好，但改善图像去雾性能的关键机制仍不清楚。因此，我们不打算提出具有花哨模块的除雾网络;相反，我们对流行的U-Net进行最小的修改，以获得紧凑的除雾网络。

具体来说，我们使用门控机制将U-Net中的卷积块交换为残差块，使用选择性核融合主要路径的特征映射并跳过连接，并将得到的U-Net变体称为gUNet。

因此，在显著降低开销的情况下，gUNet在多个图像去雾数据集上优于最先进的方法。最后，我们通过广泛的消融研究验证了这些关键设计对图像去雾网络性能增益的影响。

1.步骤一

新建blocks/blocks.py文件，添加如下代码ÿ