道路交通の霧画像における低コントラスト、詳細の損失、ぼやけや歪みの問題に対して、小波DehazeFormerモデルを用いた道路交通画像の霧除去手法を提案した。モデルの霧除去能力を向上させるために、符号化器–復号化器構造の小波DehazeFormerネットワークを構築した。符号化器は、DehazeFormerと選択的カーネル特徴融合モジュール（Selective Kernel Feature Fusion, SKFF）を連結した基本単位を骨格ネットワークとして用い、符号化部分はこの基本単位の3レベルから構成され、画像の元情報と霧除去後の情報を融合して霧画像中の重要な特徴をより良く捕捉する。中間特徴層は局所残差構造を採用し、畳み込み注意機構（Convolutional Block Attention Module, CBAM）を組み込み、異なるレベルの特徴に異なる重みを付与するとともに、内容誘導注意に基づく混合融合方式（Content-guided Attention based Mixup Fusion Scheme, CGAFusion）を組み込み、空間的重みを学習して特徴を調整する。復号化部分はDehazeFormerとSKFFで構成され、ポイントワイズ畳み込みを用いてネットワーク性能を保証しつつ、ネットワークのパラメータ数を削減する。スキップ接続には小波変換を導入し、異なるスケールの特徴マップを小波解析して異なるスケールの高周波および低周波特徴を取得し、交通霧画像の細部を拡大して復元画像がテクスチャを保持するようにする。最後に、元の画像と復号化後に出力された特徴マップを融合し、より多くの詳細情報を取得する。実験結果は、本手法がベースラインのDehazeFormerネットワークと比較して、公開データセットでPSNR指標を1.32以上向上させ、合成データセットで0.56向上させ、SSIM指標を0.015以上向上させ、MSE値を23.15以上大幅に低減させ、エントロピー指標を0.06以上向上させたことを示している。本手法の霧除去アルゴリズムは、交通霧画像のコントラスト向上、霧画像のぼやけや歪みの低減および詳細の喪失防止において優れた性能を示し、今後の道路交通のインテリジェントな映像監視・管理に寄与する。

交通画像の霧除去;小波変換;選択的カーネル特徴融合;内容誘導注意;DehazeFormer