現在の画像デフォグアルゴリズムの研究は主に構造が巧妙なニューラルネットワークの構築に焦点を当てており、拡散モデルを生成的手法として画像デフォグに利用した研究は比較的少なく、拡散モデルと周波数領域解析の組み合わせ研究も相対的に少ないため、多くのアルゴリズムが実際の霧のかかった画像に対してデフォグ効果が良くありません。これらの問題に対応するため、本論文は分数マッチング拡散モデルIR-SDEに基づく画像デフォグ手法Firs-Netを提案します。本手法は拡散モデルの強力な画像生成能力を活用し、反復的に霧のかかった画像から徐々に鮮明で霧のない画像を復元します。Firs-Netには、パラメータ数を増やさず、ニューラルネットワークの微調整も不要で、拡散モデルが周波数領域の視点から特徴をより良く解析・融合できるように支援するフーリエ特徴融合モジュールが導入されています。実験結果は、Firs-Netが実際の霧データセットにおいて主観的視覚および客観的指標の両面で優れた性能を示し、実際の非均一な霧データセットNH-HAZEでのPSNRは21.91、実際の濃霧データセットDense-HAZEでのPSNRは17.40であり、それぞれ次善の手法より13.94％および5.52％優れています。

コンピュータビジョン;画像デフォグ;拡散モデル;フーリエフィルタ