Los estudios actuales sobre algoritmos de eliminación de niebla en imágenes se centran principalmente en construir redes neuronales con estructuras sofisticadas, siendo escasas las investigaciones que utilizan modelos de difusión como método generativo para la eliminación de niebla, así como la combinación de modelos de difusión con análisis en el dominio de la frecuencia. Esto provoca que muchos algoritmos tengan un rendimiento deficiente al enfrentarse a imágenes con niebla real. Para abordar estos problemas, este artículo propone un método de eliminación de niebla de imágenes llamado Firs-Net, basado en el modelo de difusión IR-SDE con ajuste fraccional. Este método utiliza la fuerte capacidad generativa del modelo de difusión para restaurar de forma iterativa imágenes claras y sin niebla a partir de imágenes con niebla. En Firs-Net se introduce un módulo de fusión de características de Fourier, que ayuda al modelo de difusión a analizar y fusionar mejor las características desde la perspectiva del dominio de frecuencia sin aumentar el número de parámetros ni necesidad de ajustar la red neuronal. Los resultados experimentales muestran que Firs-Net presenta un rendimiento excelente tanto en la percepción visual subjetiva como en indicadores objetivos en conjuntos de datos con niebla real, alcanzando un PSNR de 21.91 en el conjunto NH-HAZE con niebla no homogénea real, y un PSNR de 17.40 en el conjunto Dense-HAZE con niebla densa real, superando en un 13.94% y un 5.52% respectivamente al siguiente mejor método.

visión por computadora;eliminación de niebla de imágenes;modelo de difusión;filtro de Fourier