합리적이고 효과적인 신경망 프레임워크를 설계하고, 안개 제거 알고리즘의 정확도를 향상시키며, 완전한 엣지 세부 정보를 보존하기 위해, 상미분방정식(Ordinary Differential Equation, ODE)에서 영감을 받은 다중 단계 특징 점진적 세분화 및 엣지 강화 기반 안개 제거 알고리즘을 제안하였다. 다중 단계 특징 추출 서브네트워크를 활용하여 입력된 안개 이미지에서 세부 정보가 포함된 저수준 특징과 의미 정보를 포함하는 고수준 특징을 추출하고, 후속 안개 제거 결과의 점진적 세분화를 위해 사용한다. 잔차 네트워크 프레임워크와 ODE 해법 전략 간의 연관성에서 영감을 받아, 2단계 2차 도약 방법인 Leapfrog를 기반으로 Leapfrog 모듈을 설계하고 여러 Leapfrog 모듈을 연결하여 ODE 이산 근사 해석 과정을 모방하며 점진적 세분화 안개 제거 서브네트워크를 구성한다. 이 서브네트워크에서 각 Leapfrog 모듈은 교대로 입력되는 저수준/고수준 특징의 상보 정보 안내 하에 이전 Leapfrog 모듈이 추정한 안개 제거 결과를 지속적으로 세분화한다. 2차 미분 연산자를 이용한 엣지 강화에서 영감을 받아, 엣지 강화 서브네트워크는 사전 학습된 UNet을 통해 마지막 Leapfrog 모듈의 안개 제거 영상 엣지를 추정하고, 이를 해당 안개 제거 영상에 중첩하여 강화된 엣지를 얻어 디테일이 보존된 최종 안개 제거 결과를 만든다. 실험 결과, 본 알고리즘은 실영상 및 합성 이미지 모두에서 우수한 안개 제거 성능을 보이며, 시각적 평가 및 객관적 평가 모두 기존 알고리즘보다 우수하다. EAAN과 비교 시 안개 제거 정확도가 5% 향상되었고, 실행 시간은 0.032초에 불과하여 이미지 안개 제거 공학 실무에 효과적으로 적용 가능하다.

이미지 안개 제거; 상미분방정식; Leapfrog 방법; 엣지 강화; 신경망