Este artículo presenta PAF-Net, un marco de desneblinización de imágenes que integra priors físicos y modelado adaptativo de características. Su objetivo es mejorar la calidad de restauración de imágenes en escenas complejas de neblina no uniforme, manteniendo una complejidad moderada del modelo y un costo computacional. Basado en la estructura clásica de FFA-Net, PAF-Net mejora el rendimiento de desneblinización desde tres perspectivas complementarias: decisión de atención espacial, representación de características consistente con la física en el espacio de características y adaptabilidad a nivel de operador. Estas perspectivas se concretan mediante tres módulos correspondientes. Específicamente, se introduce un módulo de Atención de Concentración Consciente de la Neblina (FCA). Este módulo incorpora orientación espacial relacionada con la neblina en la generación de pesos de atención, reduciendo el desequilibrio de asignación de atención bajo neblina espacialmente no uniforme y fortaleciendo el enfoque del modelo en regiones de neblina densa. Para mejorar la consistencia de características físicas bajo neblina no uniforme, se diseñó una Unidad de Desneblinización de Características Consciente de la Física (PFDU) para modelar y reorganizar explícitamente los componentes de características relacionados con la transmisión y la luz atmosférica bajo priors de dispersión atmosférica. Además, se incorpora un Módulo de Convolución Dinámica (DCM) para adaptar las respuestas de convolución a nivel de muestra según patrones de degradación global, mejorando la robustez en diversas condiciones de neblina. Experimentos en RESIDE SOTS y puntos de referencia del mundo real (Dense-Haze y NH-Haze) demuestran que PAF-Net logra mayor PSNR/SSIM y produce resultados visuales más naturales que métodos representativos. Experimentos adicionales y evaluaciones basadas en conjuntos de datos de teledetección emparejados han verificado la aplicabilidad del algoritmo PAF-Net diseñado en escenas de teledetección con neblina variable espacialmente, así como la capacidad de generalización del algoritmo.
Yang et al. (Sun,) estudiaron esta cuestión.