Die aktuelle Forschung zu Bild-Entnebelungsalgorithmen konzentriert sich hauptsächlich auf den Aufbau fein strukturierter neuronaler Netzwerke. Forschungen, die Diffusionsmodelle als generative Methode zur Bild-Entnebelung einsetzen, sind vergleichsweise selten, ebenso wie Studien, die Diffusionsmodelle mit Frequenzbereichsanalyse kombinieren. Dies führt dazu, dass viele Algorithmen bei realen nebeligen Bildern schlechte Entnebelungsresultate zeigen. Zur Lösung dieser Probleme schlägt dieser Artikel eine Bild-Entnebelungsmethode namens Firs-Net vor, die auf dem fraktionalen Matching-Diffusionsmodell IR-SDE basiert. Die Methode nutzt die starke Bildgenerierungsfähigkeit des Diffusionsmodells, um aus nebeligen Bildern iterativ klare, nebel-freie Bilder wiederherzustellen. In Firs-Net wurde ein Fourier-Feature-Fusionsmodul eingeführt, das dem Diffusionsmodell hilft, Merkmale aus Frequenzsicht besser zu analysieren und zu fusionieren, ohne die Parameteranzahl zu erhöhen oder das neuronale Netzwerk feinabzustimmen. Experimentelle Ergebnisse zeigen, dass Firs-Net sowohl in subjektiver visueller Wahrnehmung als auch in objektiven Metriken auf realen nebeligen Datensätzen hervorragende Leistungen erbringt. Dabei erreicht PSNR auf dem realen nicht gleichmäßigen Nebeldatensatz NH-HAZE 21,91 und auf dem dichten Nebeldatensatz Dense-HAZE 17,40, was jeweils 13,94 % und 5,52 % besser ist als die zweitbeste Methode.

Computer-Vision;Bild-Entnebelung;Diffusionsmodell;Fourier-Filter