자연 환경에서 스모그는 일반적으로 불균일하고 불규칙하며 컴퓨터 비전 작업에 큰 영향을 미칩니다. 따라서 본 논문에서는 강화된 에지 특징 이중 분기 융합 제염 네트워크(Enhanced-edge-feature Dual-branch Fusion Dehazing Network, EDFDNet)를 제안합니다. 이미지의 진실성을 유지하면서 심한 흐림 상황에서 제염 후 가시성을 효과적으로 향상시키기 위해, 네트워크의 주요 분기는 잔세 맵 전송 분기로 구성되었으며, 이 분기는 이산 웨이블릿 변환을 융합한 U자형 네트워크 계층별 인코더-디코더 구조를 채택하여 멀티스케일의 미세 특징 정보를 추출하고, 강화된 에지 정보 판별 수학적 방법을 정의했습니다; 특징 추출 분기는 ResNet 잔차 블록과 Transformer 및 이중 주의력이 결합된 병렬 특징 추출 모듈을 연결하여 추출된 국부 특징과 전역 특징을 융합, 네트워크의 불균일 스모그 이미지 이해 능력과 처리 효과를 향상시키고 이미지의 가시성을 복원합니다. 이 두 분기는 생성적 적대 신경망(Generative Adversarial Network, GAN)의 주 프레임워크에 통합되어 EDFDNet 제염 네트워크를 형성합니다. 실험 결과, 본 방법은 실외 합성 데이터셋에서 현재 주류 방법들보다 평균 PSNR과 SSIM이 각각 1.2567 및 0.0308 향상되었으며, 실제 세계 데이터셋 테스트에서는 PIQE, RI, VI가 각각 21.471, 0.9711 및 0.9003으로 최고 지표를 달성했습니다. EDFDNet은 진실성 향상과 가시성 복원 모두에서 우수한 결과를 가져왔으며, 실제 세계 불균일 스모그 이미지 제염에 적합합니다.

실제 세계 스모그; 불균일 제염; 특징 융합; 에지 특징 강화; 생성적 적대 신경망