Les recherches actuelles sur les algorithmes de désembuage d’images se concentrent principalement sur la construction de réseaux neuronaux à la structure élégante. Les études utilisant les modèles de diffusion en tant que méthode générative pour le désembuage des images sont relativement rares, tout comme les recherches combinant modèle de diffusion et analyse dans le domaine fréquentiel. Cela conduit à des résultats médiocres pour de nombreux algorithmes lorsqu’ils sont confrontés à des images brumeuses réelles. Pour répondre à ces problématiques, cet article propose une méthode de désembuage d’image Firs-Net basée sur le modèle de diffusion à appariement fractionnaire IR-SDE. Cette méthode exploite la puissante capacité de génération d’image du modèle de diffusion pour restaurer de manière itérative une image claire sans brume à partir d’une image brumeuse. Firs-Net intègre un module de fusion des caractéristiques de Fourier qui aide le modèle de diffusion à mieux analyser et fusionner les caractéristiques du point de vue du domaine fréquentiel, sans augmentation du nombre de paramètres ni besoin de réglage fin du réseau neuronal. Les résultats expérimentaux montrent que Firs-Net présente d’excellentes performances tant en vision subjective qu’en indicateurs objectifs sur des ensembles de données réelles avec brouillard, avec un PSNR de 21,91 sur l’ensemble NH-HAZE à brouillard non uniforme réel, et de 17,40 sur l’ensemble Dense-HAZE à brouillard dense réel, surpassant respectivement la méthode seconde meilleure de 13,94% et 5,52%.

vision par ordinateur;désembuage d’image;modèle de diffusion;filtre de Fourier