Actuellement, dans le domaine de la désembuage, il est rare d'intégrer des informations a priori dans les méthodes d'apprentissage profond basées sur les données, et la plupart des réseaux de désembuage basés sur l'apprentissage profond exigent généralement une grande mémoire et puissance de calcul. Pour résoudre ces problèmes, cet article propose un réseau de désembuage par fusion multi-échelles avec alignement des informations haute fréquence (HFMS-Net). Le cadre du réseau utilise un mode itératif : pour le générateur, des connexions résiduelles sont introduites à différentes profondeurs d'un réseau de neurones convolutifs léger afin de tirer pleinement parti des caractéristiques des couches intermédiaires et d'effectuer une fusion multi-échelles des caractéristiques ; pour le discriminateur, le réseau doit extraire des informations texturales de son entrée, en rapprochant les informations haute fréquence entre l'image désembuée et l'image embrumée, rendant le réseau basé sur les données plus interprétable physiquement. Par rapport à PFDN, HFMS-Net obtient de meilleures performances avec environ 1/5 de la mémoire utilisée dans les mêmes conditions, avec une amélioration de 0,71 et 0,016 pour le PSNR et le SSIM respectivement. De nombreuses expériences comparatives et expérimentations d'ablation démontrent que les performances de désembuage de ce réseau surpassent les algorithmes existants et conservent une plus grande fidélité des informations texturales.

fusion multi-échelles;alignement des informations haute fréquence;réseau antagoniste génératif