标记化图像块：用于大型图像中有效去雾的全局上下文融合

全局上下文信息和局部细节特征对于去雾任务至关重要。深度学习模型在小型、低分辨率图像上表现良好，但由于GPU内存限制，它们在大型、高分辨率图像上遇到困难。作为一种折衷方案，它们通常会采用图像切片或下采样。前者会减少全局信息，而后者会丢弃高频细节。为了应对这些挑战，我们提出了DehazeXL，这是一种去雾方法，能够有效地平衡全局上下文和局部特征提取，使其能够在主流GPU硬件上对大型图像进行端到端建模。此外，为了评估全局上下文利用在去雾性能中的效率，我们设计了一种视觉归因方法，该方法专门针对去雾任务的特点设计。最后，考虑到大型图像去雾基准数据集的缺乏，我们开发了一个超高分辨率去雾数据集（8KDehaze），以支持模型训练和测试。它包括10000对清晰和模糊的遥感图像，每张图像尺寸为 8192 x 8192 像素。大量实验表明，DehazeXL 仅需 21 GB 内存即可推断高达 10240 x 10240 像素的图像，并在所有评估的方法中实现了最先进的结果。源代码和实验数据集可在 https://github.com/CastleChen339/DehazeXL 获取。