إدراك ونمذجة الكثافة هو كل ما تحتاجه لاسترجاع الصور من الضباب

في العالم الحقيقي، يمكن أن يكون تدهور الصور المُلتقطة تحت ضباب الهواء معقدًا للغاية، حيث يختلف التوزيع المكاني للضباب من صورة إلى أخرى. اعتمدت الطرق الحديثة على الشبكات العصبية العميقة لاستعادة المشاهد النظيفة من الصور الضبابية مباشرة. ومع ذلك، نظرًا للتناقض الناتج عن تغيرات الضباب المُلتقط في الواقع والمعاملات الثابتة لتدهور الشبكات الحالية، فإن قدرة الطرق الحديثة لإزالة الضباب على الصور الواقعية ليست مثالية. لمعالجة مشكلة نمذجة تدهور الضباب في العالم الحقيقي، نقترح حل هذه المشكلة من خلال إدراك وتوصيف كثافة الضباب في حالات التوزيع غير الموحّد. ونُقدّم وحدة انتباه هجينية منفصلة (SHA) جديدة لترميز كثافة الضباب من خلال التقاط السمات في الاتجاهات المتعامدة لتحقيق هذا الهدف. علاوةً على ذلك، نقترح خريطة كثافة لتمثيل التوزيع غير الموحّد للضباب بشكل صريح، حيث تُولّد خريطة الكثافة ترميز الموضع بطريقة شبه مُراقبة. وبذلك، يتمكن إدراك وتوصيف كثافة الضباب من التقاط التدهور غير الموحّد على مستوى السمات بشكل فعّال. من خلال مزج مناسب بين وحدة SHA وخرائط الكثافة، صممنا بنية شبكة جديدة لإزالة الضباب، والتي تحقق توازنًا جيدًا بين التعقيد والأداء. أظهرت التجارب الواسعة على مجموعتي بيانات كبيرتين أن طريقةنا تتفوّق على جميع الطرق المتطورة السابقة بفارق كبير من حيث الجودة الكمية والنوعية، حيث رفعت القيمة المنشودة لأفضل مؤشر PSNR من 28.53 ديسيبل إلى 33.49 ديسيبل على مجموعة بيانات Haze4k، ومن 37.17 ديسيبل إلى 38.41 ديسيبل على مجموعة بيانات SOTS الداخلية.