Nebel in der natürlichen Umgebung ist häufig ungleichmäßig und unregelmäßig, was große Auswirkungen auf Aufgaben der Computer Vision hat. Daher wird in diesem Artikel ein verstärktes Randmerkmals-Dual-Branch-Fusions-Dehazing-Netzwerk (Enhanced-edge-feature Dual-branch Fusion Dehazing Network, EDFDNet) vorgeschlagen. Um die Realitätsnähe des Bildes zu bewahren und gleichzeitig die Sichtbarkeit bei starker Unschärfe effektiv zu verbessern, wurde der Hauptzweig des Netzwerks zur Übertragung der feinen Bilddetailzweige aufgebaut, der einen U-förmigen Netzwerkschicht-Encoder-Decoder mit diskreter Wavelet-Transformation zur Extraktion von mehrskaligen feinen Merkmalsinformationen verwendet und eine mathematische Methode zur Verstärkung der Randinformationsbestimmung definiert; der Merkmalsextraktionszweig verbindet nacheinander ResNet-Residualblöcke und ein paralleles Merkmalextraktionsmodul, das Transformer und doppelte Aufmerksamkeit kombiniert, um lokale und globale Merkmale zu fusionieren, wodurch die Fähigkeit des Netzes zur Verständigung und Verarbeitung von ungleichmäßigem Nebelbildmaterial verbessert wird und die Sichtbarkeit des Bildes weiter wiederhergestellt wird. Diese beiden Zweige wurden in das Grundgerüst eines generativen adversarialen Netzwerks (GAN) eingebunden, um das Dehazing-Netzwerk EDFDNet zu bilden. Experimentelle Ergebnisse zeigen, dass diese Methode den durchschnittlichen PSNR und SSIM in synthetischen Außen-Datensätzen um 1,2567 bzw. 0,0308 verbessert und gleichzeitig die besten PIQE-, RI- und VI-Werte (21,471, 0,9711 und 0,9003) in Tests mit realen Datensätzen erreicht. EDFDNet erzielt gute Ergebnisse sowohl bei der Verbesserung der Realitätsnähe als auch bei der Wiederherstellung der Sichtbarkeit und eignet sich für die Nebelentfernung bei unregelmäßigen Nebelbildern der realen Welt.

reale Welt Nebel; ungleichmäßiges Dehazing; Merkmalsfusion; verstärkte Randmerkmale; generatives adversariales Netzwerk