Atualmente, no campo da remoção de neblina, é raro incorporar informações a priori em métodos de aprendizado profundo baseados em dados, e a maioria das redes de remoção de neblina baseadas em aprendizado profundo geralmente requerem alta memória de computador e poder de computação. Para resolver esses problemas, este artigo propõe uma rede de remoção de neblina de fusão multiescala com alinhamento de informação de alta frequência (HFMS-Net). A estrutura da rede adota um modo recorrente: para o gerador, conexões residuais são introduzidas em diferentes profundidades de uma rede neural convolucional leve para aproveitar plenamente as características das camadas intermediárias e realizar a fusão de características multiescala; para o discriminador, a rede deve extrair informações de textura de sua entrada, aproximando as informações de alta frequência entre a imagem de neblina removida e a imagem com neblina, tornando a rede baseada em dados mais interpretável fisicamente. Em comparação com o PFDN, o HFMS-Net alcança desempenho superior com cerca de 1/5 do uso de memória nas mesmas configurações, com PSNR e SSIM aumentando 0,71 e 0,016, respectivamente. Vários experimentos comparativos e avaliações de ablação demonstram que o desempenho de remoção de neblina desta rede melhora em comparação com os algoritmos existentes e mantém maior fidelidade às informações de textura.

fusão multiescala;alinhamento de informação de alta frequência;rede generativa adversarial