자연 환경에서의 스모그는 일반적으로 불균일하고 불규칙하며, 이는 컴퓨터 비전 작업에 큰 영향을 미칩니다. 따라서 본 논문에서는 강화된 엣지 특징 이중 분기 융합 제거 네트워크(Enhanced-edge-feature Dual-branch Fusion Dehazing Network, EDFDNet)를 제안합니다. 이미지의 진실성을 유지하면서 심각한 흐림 상태에서도 제거 후 가시성을 효과적으로 향상시키기 위해, 네트워크의 주요 분기는 이미지 세부 전송 분기로 구성되며, 분산 웨이블릿 변환이 융합된 U자형 네트워크 계층화 인코더-디코더 구조를 사용하여 다중 스케일 세부 특징 정보를 추출하고 강화된 엣지 정보 판별 수학적 방법을 정의합니다; 특징 추출 분기는 ResNet 잔차 블록과 Transformer 및 이중 주의력을 결합한 병렬 특징 추출 모듈을 직렬로 연결하여 국부 및 전역 특징을 융합하여 네트워크의 불균일한 스모그 이미지 이해 및 처리 능력을 향상시키며, 이미지를 더욱 복원합니다. 이 두 분기는 생성적 적대 신경망(GAN)의 기본 구조에 통합되어 EDFDNet 제거 네트워크를 형성합니다. 실험 결과는 이 방법이 야외 합성 데이터셋에서 평균 PSNR과 SSIM을 각각 1.2567 및 0.0308 향상시키고, 실제 세계 데이터셋 테스트에서 PIQE, RI 및 VI가 각각 21.471, 0.9711 및 0.9003로 최고 지표를 달성함을 보여줍니다. EDFDNet은 진실성 향상과 가시성 복원 모두에서 우수한 결과를 보이며, 실제 세계의 불균일 스모그 이미지 제거에 적합합니다.

실제 세계 스모그; 불균일 제거; 특징 융합; 엣지 특징 강화; 생성 적대 신경망