من التوليد إلى الواقع: إزالة الضبابية من الصور بالتعاون مع بيانات واقعية غير مُعلَّمة

إن إزالة الضباب من صورة واحدة يُعد مهمة صعبة، حيث يؤدي غالبًا تغير المجال بين بيانات التدريب الاصطناعية والصور الحقيقية في البيئة الواقعية إلى تدهور أداء الطرق الحالية. ولحل هذه المشكلة، نقترح إطارًا جديدًا لإزالة الضباب من الصور يعتمد على تعاون بيانات حقيقية غير مُصنَّفة. أولاً، نطور شبكة إزالة ضباب صور مُفصَّلة (DID-Net)، التي تفصل تمثيلات الميزات إلى ثلاث خرائط مكوِّنة: الصورة الخالية من الضباب الكامنة، خريطة النقل، وتقدير الضوء الجوي العالمي، مع الالتزام النموذج الفيزيائي لعملية الضباب. تقوم شبكة DID-Net بتوقع هذه الخرائط الثلاث من خلال دمج تدريجي للميزات عبر مقاييس متعددة، ثم تقوم بتحسين كل خريطة عن طريق تمرير شبكة تحسين مستقلة. ثم نستخدم شبكة تعلم متوسط التوافق المُفصَّل (DMT-Net) لدمج البيانات الحقيقية غير المصنَّفة لتعزيز إزالة الضباب من صورة واحدة. وبشكل خاص، نشجع التوقعات الخشنة والتحسينات لكل مكوِّن مُفصَّل على أن تكون متسقة بين الشبكتين الطالبة والمهيِّئة باستخدام خسارة اتساق على البيانات الحقيقية غير المصنَّفة. قمنا بمقارنة أداء طريقتنا مع 13 طريقة حديثة جدًا لإزالة الضباب على مجموعة بيانات جديدة تم جمعها (Haze4K) وعلى مجموعتين شائعتين جدًا لإزالة الضباب (ألا وهما SOTS وHazeRD)، بالإضافة إلى صور حقيقية مغطاة بالضباب. أظهرت النتائج التجريبية تحسينًا ملحوظًا كميًا ونوعيًا مقارنة بالطرق الحالية.