Actualmente, en el campo de la eliminación de niebla, rara vez se incorporan datos a priori en los métodos de aprendizaje profundo basados en datos, y la mayoría de las redes de eliminación de niebla basadas en aprendizaje profundo suelen requerir una gran memoria y capacidad computacional. Para abordar estos problemas, este artículo propone una red de eliminación de niebla de fusión multiescala con alineación de información de alta frecuencia (HFMS-Net). El marco de la red utiliza un modo recurrente: para el generador, se introducen conexiones residuales en diferentes profundidades de una red ligera de convolución para aprovechar al máximo las características de las capas intermedias y lograr la fusión multiescala de características; para el discriminador, la red debe extraer la información de textura de sus entradas, aproximando la información de alta frecuencia entre la imagen despejada y la imagen con niebla, haciendo que la red basada en datos tenga una interpretación física más clara. En comparación con PFDN, HFMS-Net logra un mejor rendimiento con aproximadamente 1/5 del uso de memoria bajo las mismas condiciones, y las métricas PSNR y SSIM mejoraron en 0.71 y 0.016, respectivamente. Numerosos experimentos comparativos y de ablación demuestran que el rendimiento de eliminación de niebla de esta red supera a los algoritmos existentes y mantiene una mayor fidelidad a la información de textura.

fusión multiescala;alineación de información de alta frecuencia;red generativa adversaria