Derzeit wird im Bereich der Nebelentfernung nur selten apriorisches Wissen in datengetriebene Deep-Learning-Methoden eingebracht, und die meisten auf Deep Learning basierenden Nebelentfernungsnetzwerke erfordern in der Regel hohen Speicher- und Rechenaufwand. Zur Lösung dieser Probleme schlägt dieser Artikel ein mehrskaliges Verschmelzungsnetzwerk mit Hochfrequenzinformationsanpassung (HFMS-Net) vor. Das Netzwerkframework verwendet einen zyklischen Modus: Für den Generator werden bei einem leichten Faltungsnetzwerk Residualverbindungen auf unterschiedlichen Tiefen eingeführt, um die Merkmale der Zwischenschichten vollständig zu nutzen und eine mehrskalige Merkmalsfusion zu erreichen; für den Diskriminator soll das Netzwerk aus den Eingaben Texturinformationen extrahieren und die Hochfrequenzinformationen zwischen entnebeltem und nebeligem Bild annähern, wodurch das datengetriebene Netzwerk physikalisch interpretierbarer wird. Im Vergleich zu PFDN erzielt HFMS-Net unter den gleichen Einstellungen mit etwa 1/5 des Speicherverbrauchs eine bessere Leistung, wobei PSNR und SSIM jeweils um 0,71 bzw. 0,016 verbessert werden. Umfangreiche Vergleichs- und Ablationsstudien zeigen, dass die Entnebelungsleistung dieses Netzwerks im Vergleich zu bestehenden Algorithmen verbessert wurde und eine höhere Treue der Texturinformationen aufweist.

mehrskalige Verschmelzung;Hochfrequenzinformationsanpassung;generatives gegnerisches Netzwerk