В настоящее время в области удаления тумана редко вводится априорная информация в методы глубинного обучения, основанные на данных, и большинство сетей удаления тумана на основе глубинного обучения обычно требуют значительных ресурсов памяти и вычислительной мощности. Для решения этих проблем в данной работе предлагается многоуровневая сеть удаления тумана с выравниванием высокочастотной информации (HFMS-Net). Архитектура сети использует цикличный режим: для генератора вводятся остаточные связи на различных уровнях лёгкой сверточной нейронной сети для полного использования промежуточных признаков сети и реализации многоуровневого слияния признаков; для дискриминатора сеть должна извлекать текстурную информацию из входных данных, приближая высокочастотную информацию между изображением без тумана и изображением с туманом, обеспечивая более физически интерпретируемую сеть на основе данных. По сравнению с PFDN, HFMS-Net достигает лучшей производительности при тех же условиях с примерно 1/5 использованием памяти, показатели PSNR и SSIM увеличились на 0,71 и 0,016 соответственно. Многочисленные сравнительные эксперименты и эксперименты по абляции подтверждают, что производительность удаления тумана данной сети лучше по сравнению с существующими алгоритмами, а также обладает более высокой точностью текстурной информации.

многоуровневое слияние;выравнивание высокочастотной информации;генеративно-состязательная сеть