合理的で効果的なニューラルネットワークフレームワークを設計し、霧除去アルゴリズムの精度を向上させ、完全なエッジの詳細を保持するために、常微分方程式（Ordinary Differential Equation、ODE）に着想を得た多段階特徴の段階的な細分化およびエッジ強調による霧除去アルゴリズムを提案した。多段階特徴抽出サブネットワークを用いて、入力の霧画像から詳細情報を含む低レベル特徴と意味情報を含む高レベル特徴を抽出し、後続の霧除去結果の段階的な細分化に利用する。残差ネットワークフレームワークとODE解法戦略の関連性に着想を得て、2段階2次のLeapfrog法に基づくLeapfrogモジュールを設計し、複数のLeapfrogモジュールを直列に接続してODEの離散的近似解法過程を模擬し、逐次的に細分化する霧除去サブネットワークを構築した。本サブネットワークでは、各Leapfrogモジュールは交互に入力される低レベル／高レベル特徴の補完的情報に導かれて、前のLeapfrogモジュールが推定した霧除去結果を絶えず細分化する。二階微分演算子によるエッジ強調に着想を得て、エッジ強調サブネットワークは事前学習済みのUNetを用いて最後のLeapfrogモジュールの霧除去画像のエッジを推定し、この霧除去画像に重畳して強化エッジを得ることで詳細を保持した最終的な霧除去結果を得る。実験により、本アルゴリズムは実画像および合成画像の両方で優れた霧除去効果を示し、視覚評価と客観評価の両面で既存の霧除去アルゴリズムを上回ることが確認された。EAANと比較して霧除去精度が5%向上し、実行時間はわずか0.032秒であり、画像の霧除去における工学的実践に有効であることが示された。

画像霧除去;常微分方程式;Leapfrog法;エッジ強調;ニューラルネットワーク