A pesquisa atual sobre algoritmos de remoção de névoa em imagens foca principalmente na construção de redes neurais com estruturas sofisticadas; entretanto, há escassez de estudos que utilizam modelos de difusão como método generativo para remoção de névoa, bem como pouca pesquisa combinando modelos de difusão com análise no domínio da frequência, o que resulta em desempenho insatisfatório de muitos algoritmos ao lidar com imagens reais com névoa. Para abordar esses problemas, este artigo propõe um método de remoção de névoa para imagens chamado Firs-Net, baseado no modelo de difusão de correspondência fracionária IR-SDE. Este método utiliza a poderosa capacidade do modelo de difusão para geração de imagens, restaurando iterativamente imagens claras e sem névoa a partir de imagens com névoa. O Firs-Net incorpora um módulo de fusão de características de Fourier, que ajuda o modelo de difusão a analisar e fundir melhor as características do ponto de vista do domínio da frequência, sem aumentar a quantidade de parâmetros nem a necessidade de ajuste fino da rede neural. Os resultados experimentais mostram que o Firs-Net apresenta desempenho excelente tanto na percepção visual subjetiva quanto em métricas objetivas em conjuntos de dados reais com névoa, alcançando PSNR de 21.91 no conjunto NH-HAZE com névoa não uniforme real e 17.40 no conjunto Dense-HAZE com névoa densa real, superando os métodos secundários em 13.94% e 5.52%, respectivamente.

visão computacional;remoção de névoa em imagens;modelo de difusão;filtro de Fourier