What question did this study set out to answer?

Ziel der Forschung ist die Entwicklung eines effektiven unüberwachten Entnebelungsframeworks zur Verbesserung der Bildverarbeitung unter widrigen Wetterbedingungen.

April 23, 2026Open Access

Ein ungepaartes Dual-Domain-Bildentnebelungsframework mittels unüberwachtem Lernen

SYShunpeng YangKunming University of Science and Technology YWYunpeng WuKunming University of Science and Technology WQWenwen QinKunming University of Science and Technology

Key Points

Ziel der Forschung ist die Entwicklung eines effektiven unüberwachten Entnebelungsframeworks zur Verbesserung der Bildverarbeitung unter widrigen Wetterbedingungen.
Entwicklung eines Dual-Domain-Convolutional-Mixers (DCM) zur Extraktion räumlicher und frequenzspezifischer Merkmale.
Entwicklung eines Dual-Domain-Adaptive-Gating (DAG)-Fusionmoduls unter Verwendung von Aufmerksamkeitsmechanismen.
Einführung eines Multi-Prior-Contrastive-Loss (MPC) für das Training mit unüberwachten Daten.
Das vorgeschlagene UD3Net-Modell übertrifft bestehende unüberwachtes Entnebelungansätze.
Robuste Generalisierungsfähigkeiten werden in realen Nebelszenarien aufrechterhalten.

Abstract

Um die Gesundheitsüberwachung der Verkehrsinfrastruktur durch Computer Vision (CV) unter widrigen Wetterbedingungen zu verbessern, hat sich die Bildentnebelung als ein kritischer Verarbeitungsschritt herausgestellt. Aktuelle überwachte Entnebelungsmodelle, die typischerweise auf synthetischen nebligen und klaren Bildpaaren trainiert werden, zeigen jedoch oft eine begrenzte Generalisierungsfähigkeit, wenn sie in realen Nebelszenarien eingesetzt werden. Diese Studie schlägt ein neuartiges unüberwachtes Entnebelungsframework namens unpaired dual-domain dehazing network (UD3Net) vor. Zunächst wird ein neuartiger Dual-Domain-Convolutional-Mixer (DCM) entwickelt, der lokale Merkmale im räumlichen Bereich und globale Merkmale im Frequenzbereich extrahieren kann, um eine gründliche Informationsfusion zu erreichen und eine genaue Schätzung physikalischer Parameter in der Nebelabbildung zu ermöglichen. Dann wird ein Dual-Domain-Adaptive-Gating (DAG)-Fusion-Modul mit einem Aufmerksamkeitsmechanismus entworfen, um sowohl das räumliche als auch das Frequenzbereichs-Semantem dynamisch zu integrieren. Zweitens wird ein neu entwickelter Multi-Prior-Contrastive-Loss (MPC) vorgeschlagen, um intrinische Eigenschaften unübereinstimmender Daten in Raum-Frequenz-Domänen zu überwachen und den Verlust semantischer Informationen in unüberwachter Entnebelung ohne Paare zu reduzieren. Schließlich bestätigen umfangreiche Experimente an synthetischen Datensätzen und realen Nebeldatensätzen, dass das vorgeschlagene Modell die bestehenden unüberwachtes Entnebelungansätze übertrifft und dabei robuste Generalisierungsfähigkeiten in realen Nebelszenarien beibehält.

KI fragen

Bookmark

View Full Paper