Para projetar uma arquitetura de rede neural razoável e eficaz, melhorar a precisão do algoritmo de remoção de névoa e preservar detalhes completos das bordas, foi proposto um algoritmo de remoção de névoa inspirado na equação diferencial ordinária (Ordinary Differential Equation, ODE) com refino progressivo em múltiplos níveis de características e aprimoramento de bordas. Utilizando uma sub-rede de extração de características multinível, extrai características de baixo nível contendo informações detalhadas e características de alto nível contendo informações semânticas a partir da imagem com névoa de entrada, para o refinamento progressivo dos resultados posteriores da remoção de névoa. Inspirado na correlação entre a arquitetura da rede residual e a estratégia de solução da ODE, foi projetado o módulo Leapfrog com base no método Leapfrog de dois passos e segunda ordem, e vários módulos Leapfrog foram encadeados para simular o processo aproximado discreto da solução da ODE, construindo uma sub-rede de remoção de névoa de refinamento progressivo. Nesta sub-rede, cada módulo Leapfrog, guiado pela informação complementar das características de baixo/alto nível de entrada alternada, refina continuamente o resultado estimado da remoção de névoa do módulo Leapfrog anterior. Inspirado no aprimoramento de bordas realizado pelo operador diferencial de segunda ordem, a sub-rede de aprimoramento de bordas utiliza uma UNet pré-treinada para estimar as bordas da imagem de remoção de névoa do último módulo Leapfrog e as sobrepõe nessa imagem para obter bordas aprimoradas, preservando os detalhes no resultado final da remoção de névoa. Experimentos mostram que este algoritmo pode obter bons resultados de remoção de névoa em imagens reais e sintéticas, superando algoritmos existentes em avaliações visuais e objetivas. Em comparação com o EAAN, a precisão da remoção de névoa aumentou em 5%, com tempo de execução de apenas 0,032 s, o que o torna eficaz para a prática de engenharia na remoção de névoa de imagens.

remoção de névoa de imagens; equação diferencial ordinária; método Leapfrog; aprimoramento de bordas; rede neural