إعادة التفكير في المكاسب الأداء في شبكات إزالة الضباب من الصور

إن إزالة الضباب عن الصور يُعد موضوعًا نشطًا في مجال الرؤية منخفضة المستوى، وقد تم اقتراح العديد من الشبكات الخاصة بإزالة الضباب مع التطور السريع للتعلم العميق. وعلى الرغم من أن خطوط أنابيب هذه الشبكات تعمل بشكل جيد، إلا أن الآلية الأساسية لتحسين أداء إزالة الضباب ما زالت غير واضحة. ولهذا السبب، لا نهدف إلى اقتراح شبكة إزالة ضباب تحتوي على وحدات معقدة أو مبتكرة؛ بل نُجري تعديلات بسيطة جدًا على الشبكة الشهيرة U-Net للحصول على شبكة إزالة ضباب مدمجة. بشكل محدد، نستبدل وحدات التصفية في U-Net بوحدات متكررة (residual blocks) مزودة بآلية توجيه (gating mechanism)، ونُدمج خرائط الميزات من المسارات الرئيسية والاتصالات الجانبية باستخدام خوارزمية التجميع المُختار (selective kernel)، ونُسمّي النسخة المُعاد تصميمها من U-Net باسم gUNet. وبهذا، وبتكلفة حسابية مُختصرة بشكل كبير، تتفوّق gUNet على أفضل الأساليب الحالية في مجموعة متنوعة من مجموعات بيانات إزالة الضباب عن الصور. وأخيرًا، نُحقّق التأثير الفعلي لهذه التصاميم الرئيسية على تحسين الأداء من خلال دراسات تحليلية موسعة (ablation studies).