O nevoeiro no ambiente natural geralmente é não homogêneo e irregular, afetando significativamente as tarefas de visão computacional. Portanto, este artigo propõe a Rede de Desembaçamento com Fusão de Duplo Ramo e Reforço de Características de Bordas (Enhanced-edge-feature Dual-branch Fusion Dehazing Network, EDFDNet). Para preservar a autenticidade da imagem e melhorar eficazmente a visibilidade em condições de desfoque severo, a principal ramificação da rede foi construída para transmitir a ramificação de detalhes finos da imagem, utilizando um rede em formato U com codificador-decodificador em camadas que integra a transformação wavelet discreta para extrair informações multiescala de características finas, definindo também um método matemático para reforçar a determinação de informações de borda; a ramificação de extração de características conecta em série blocos residuais ResNet e um módulo paralelo de extração de características que combina Transformer e atenção dupla, fundindo características locais e globais, melhorando a capacidade da rede para entender e processar imagens com nevoeiro não homogêneo, restaurando ainda mais a visibilidade da imagem. Essas duas ramificações são integradas à estrutura principal da Rede Adversária Generativa (GAN), formando a rede de desembaçamento EDFDNet. Os resultados experimentais mostram que este método aumenta a média do PSNR e SSIM em conjuntos de dados sintéticos externos em 1,2567 e 0,0308, respectivamente, além de alcançar os melhores índices PIQE, RI e VI (21,471, 0,9711 e 0,9003) em testes com conjuntos de dados do mundo real. EDFDNet apresenta bons resultados tanto na melhora da autenticidade quanto na restauração da visibilidade, sendo adequado para desembaçamento de imagens com nevoeiro não homogêneo do mundo real.

nevoeiro do mundo real; desembaçamento não homogêneo; fusão de características; reforço de características de bordas; rede adversária generativa