강력한 비전 기반 지능형 시스템을 위한 새로운 이미지 디헤이징 프레임워크

높은 수준의 컴퓨터 비전 작업 외에도, 딥 러닝은 단일 이미지 디헤이징을 포함한 저수준 작업에서도 상당한 발전을 이루었습니다. 잘 세밀화된 이미지는 선명한 경계와 균형 잡힌 색상으로 현실적이고 자연스럽게 보입니다. 보다 명확하고 생생한 관점을 얻기 위해, 우리는 제안된 작업의 중요한 부분으로서 경계와 색상의 역할을 활용합니다. 현재의 이미지 디헤이징 알고리즘의 문제를 극복하기 위해, 점진적인 2단계 이미지 디헤이징 네트워크가 제시됩니다. 제안된 이미지 디헤이징 프레임워크는 두 단계로 나뉘며; 첫 번째 단계에서는 인코더와 디코더 구조의 다중 스케일 이미지 특징이 추출될 수 있습니다. 두 번째 단계는 균형 잡힌 색상을 실제 값에 가깝게 복원하는 색상 보정 모델(CCM)으로 구성됩니다. 인코드-디코드 네트워크는 픽셀 주의 메커니즘을 포함한 채널 주의가 있는 밀집 잔차 주의 유닛(DRAU)으로 구성됩니다. 우리는 가중치 정보와 안개 차이가 다양한 채널별 특징에서 DRAU 없이 픽셀 간에 일관되지 않음을 보았습니다. DRAU는 다양한 특징과 픽셀을 불균형하게 처리하여 다양한 유형의 세부 정보에 대한 지식을 처리하는 데 더 많은 변화를 제공합니다. 우리의 제안된 2단계 네트워크는 시각적 및 정량적 측면 모두에서 최첨단 알고리즘을 초월합니다. 이 결과는 SOTS 실내 및 실외 테스트 데이터 세트에서 33.55–33.44 dB의 최상위 발행된 피크 신호 대 잡음 비율 지표와 0.9619–0.9714의 SSIM으로 검증되었습니다.