Um das Problem der Qualitätsverschlechterung von Bildern bei bestehenden Entnebelungstechniken aufgrund von Detailverlusten und fehlenden globalen Informationen zu lösen, wurde ein Bildentnebelungsnetzwerk namens HEDGR-Net vorgeschlagen, das auf mehrstufiger Merkmalskodierung und zweigleisiger geführter Rekonstruktion basiert. Zunächst werden in der Kodierungsphase strukturerweiternde Faltungen und ein nicht-lokaler Aufmerksamkeitsmechanismus eingeführt, um effektiv schlüsselstrukturen und Kontextinformationen in verschiedenen Maßstäben zu extrahieren; zweitens wird in der Dekodierungsphase eine zweigleisige Struktur mit paralleler linearer und hochauflösender Dekodierung entworfen und ein global wahrnehmungsführendes Modul zur Fusion der Ergebnisse sowie zur Extraktion eines globalen Stilvektors zur Verstärkung der Rekonstruktionseinheitlichkeit entwickelt; schließlich wird in der Ausgabestufe ein aufmerksamkeitserweitertes Residuallverbindungmodul eingeführt, das die Merkmale der Dekodierungsphase mit den ursprünglichen Eingangsmerkmalen gewichtet verschmilzt und so die visuelle Qualität der entnebelten Bilder weiter verbessert. Darüber hinaus wird eine zusammengesetzte Verlustfunktion kombiniert aus L2-Verlust, SSIM-Verlust und TV-Verlust eingesetzt, die die Detailwiederherstellungsfähigkeit und strukturelle Konsistenz effektiv erhöht. Im synthetischen Datensatz SOTS-outdoor erreichten PSNR und SSIM Werte von 27,54 dB bzw. 0,9570; im realen Nebeldatensatz RTTS lagen BRISQUE und Entropy bei 26,99 bzw. 8,77. Im Vergleich zum traditionellen Algorithmus AOD-Net verbesserte HEDGR-Net PSNR um ca. 21,7 %, SSIM um ca. 5,0 %, reduzierte BRISQUE um ca. 19,2 % und erhöhte Entropy um ca. 3,9 %, was deutliche Vorteile in mehreren Metriken zeigt. Die vorgeschlagene Methode verbessert die Detailwiederherstellung und die Konsistenz der Gesamtbeleuchtung und behebt effektiv Probleme unvollständiger Entnebelung und Farbverschiebungen traditioneller Methoden.

Computer Vision;Bildentnebelung;Mehrstufige Merkmalsfusion;Zweigleisige Struktur;Aufmerksamkeitsmechanismus