도로 교통 안개 이미지의 낮은 대비, 세부 정보 손실, 흐림 및 왜곡 문제를 해결하기 위해 웨이블릿 DehazeFormer 모델을 기반으로 한 도로 교통 이미지 안개 제거 방법을 제안하였다. 모델의 안개 제거 능력을 향상시키기 위해 인코더-디코더 구조의 웨이블릿 DehazeFormer 네트워크를 구축하였으며, 인코더는 DehazeFormer와 선택적 커널 특징 융합 모듈(Selective Kernel Feature Fusion, SKFF)을 연쇄한 기본 단위를 골격 네트워크로 사용하였다. 인코더 부분은 이러한 기본 단위 3단계로 구성되어 이미지의 원본 정보와 안개 제거 후 정보를 융합하여 안개 이미지 내 핵심 특징을 더 잘 포착한다; 중간 특징 층은 국부 잔차 구조와 합성곱 주의 메커니즘(Convolutional Block Attention Module, CBAM)을 도입하여 다양한 수준의 특징에 서로 다른 가중치를 부여하며, 내용 기반 주의 혼합 융합 방안(Content-guided Attention based Mixup Fusion Scheme, CGAFusion)을 접목하여 공간 가중치를 학습해 특징을 조절한다; 디코더 부분은 DehazeFormer와 SKFF로 구성되어 있으며 점별 합성곱을 사용해 네트워크 성능을 보장하면서 파라미터 수를 줄인다; 스킵 연결에는 웨이블릿 변환을 적용해 다양한 스케일의 특징 맵을 웨이블릿 분석하여 고주파 및 저주파 특징을 추출하고 교통 안개 이미지의 디테일을 확대해 복원 이미지가 텍스처를 유지하도록 한다; 마지막으로 원본 이미지와 디코딩 후 출력된 특징 맵을 융합하여 더 많은 세부 정보를 얻는다. 실험 결과, 본 방법은 기본 DehazeFormer 네트워크 대비 공개 데이터셋에서 PSNR 지표가 1.32 이상 향상되고 합성 데이터셋에서는 0.56 향상되었으며, SSIM 지표는 0.015 이상 증가하고 MSE 값은 23.15 이상 크게 감소했으며 엔트로피 지표는 0.06 이상 증가했다. 본 논문의 안개 제거 알고리즘은 교통 안개 이미지의 대비 향상, 안개 이미지의 흐림 및 왜곡 감소, 세부 정보 손실 방지 등에서 우수한 성능을 나타내어 향후 도로 교통의 지능형 영상 감시 및 관리에 기여한다.

교통 이미지 안개 제거; 웨이블릿 변환; 선택적 커널 특징 융합; 내용 기반 주의; DehazeFormer