Light-DehazeNet: 단일 이미지 디헤이징을 위한 새로운 경량 CNN 구조

인공지능 기술의 급속한 발전으로 인해 산업 분야는 자동화, 신뢰성 및 견고성에서 혁신적으로 변화하고 있으며, 이로 인해 품질과 생산성이 크게 향상되고 있습니다. 대부분의 감시 및 산업 분야는 다양한 주변 환경 이미지를 포착하는 시각 센서 네트워크에 의해 모니터링됩니다. 그러나 거친 날씨 조건에서는 대기 중의 오염된 미세 입자 때문에 이미지의 시각적 품질이 저하되어 전체 감시 시스템에 영향을 미칩니다. 이러한 문제를 해결하기 위해 이 기사는 흐린 이미지를 재구성하기 위한 계산적으로 효율적인 경량 합성곱 신경망인 Light-DehazeNet (LD-Net)을 제안합니다. 다른 학습 기반 접근 방식과 달리 전송 맵과 대기광을 별도로 측정하는 대신, 제안된 LD-Net은 변환된 대기 산란 모델을 사용하여 전송 맵과 대기광을 동시에 추정합니다. 또한, 디헤이즈 이미지에서 색상 왜곡을 피하기 위한 색상 가시성 복원 방법도 제안합니다. 마지막으로 우리는 합성 및 자연 흐림 이미지를 사용하여 광범위한 실험을 수행합니다. 다양한 벤치마크 흐림 데이터 세트에 대한 정량적 및 정성적 평가를 통해 제안된 방법이 다른 최신 이미지 디헤이징 기술보다 우수하다는 것이 검증되었습니다. 또한 추가 실험을 통해 제안된 방법의 객체 탐지 작업에서의 적용 가능성을 검증합니다. 최소한의 계산 비용으로 경량 아키텍처를 고려할 때 제안된 시스템은 전체 성능을 개선하기 위해 비전 기반 모니터링 시스템의 필수적인 부분으로 통합될 것을 권장합니다.