RSDehamba: Lightweight Vision Mamba for Remote Sensing Satellite Image Dehazing

遥感图像去雾（RSID）旨在消除非均匀和物理不规则的雾化因素，以实现高质量的图像恢复。卷积神经网络（CNNs）和Transformer的出现在RSID领域取得了巨大进展。然而，这些方法往往难以展示充分的长程依赖建模和维持计算效率之间的平衡。为此，我们在RSID领域提出了第一个基于mamba模型的轻量级网络RSDhamba。受到最近选择性状态空间模型（SSM）在建模线性复杂性和远程依赖性方面表现优异的启发，我们设计的RSDehamba将SSM框架集成到U-Net架构中。具体而言，我们提出了视觉Dehamba块（VDB）作为整个网络的核心组件，利用SSM的线性复杂性实现全局上下文编码的能力。同时，设计了方向感知扫描模块（DSM），以动态聚合不同方向域上的特征交换，以有效增强感知雾化的空间变化分布的灵活性。通过这种方式，我们的RSDhamba充分展示了空间距离捕获依赖性和通道信息交换的优越性，以更好地提取雾化特征。广泛使用的基准测试的实验结果验证了我们的RSDehamba优于现有最先进方法的表现。

本文旨在解决遥感图像去雾问题，提出了一种轻量级网络RSDhamba，旨在平衡长程依赖建模和计算效率。

本文提出了一种基于SSM框架的U-Net架构，名为Vision Dehamba Block（VDB），用于全局上下文编码，同时设计了Direction-aware Scan Module（DSM）来动态聚合不同方向域的特征交换，以有效增强感知雾分布的灵活性。

本文提出的RSDhamba在广泛使用的基准测试中取得了优异的性能，相比现有的最先进方法，具有更好的雾特征提取能力。实验设计详细，使用了多个数据集，但未提及是否开源代码。

在该领域中，最近的相关研究包括：1. DCPDN: A Dual-Convolution Pyramid Dehazing Network for Remote Sensing Images; 2. Multi-Scale Residual Dense Network for Remote Sensing Image Dehazing; 3. A Multi-Scale Dense Network with Feature Pyramid Attention for Remote Sensing Image Dehazing。