밀도 높은 비균일 안개 제거를 위한 구조 표현 네트워크 및 불확실성 피드백 학습

기존의 이미지 화이트닝 또는 화이트닝 제거 기법 중 대부분은 연기, 먼지, 안개와 같이 밀도가 높고 비균일한 입자 분포를 고려하지 않는다. 이러한 밀도가 높거나 비균일한 분포는 안개의 감쇠 및 대기광(또는 뿌연 효과)로 인해 입력 이미지 내 배경 정보가 크게 약화되므로 처리가 매우 어렵다. 이 문제를 해결하기 위해, 불확실성 피드백 학습을 통한 구조 표현 네트워크를 제안한다. 구체적으로, 사전 훈련된 비전 트랜스포머(DINO-ViT) 모듈로부터 특징 표현을 추출하여 배경 정보를 복원한다. 비균일한 안개 영역에 주의를 집중시켜 이를 효과적으로 제거하기 위해, 불확실성 피드백 학습을 도입한다. 이 기법은 밀도가 높은 안개 영역에서 더 높은 불확실성을 가지는 불확실성 맵을 생성하며, 이는 안개의 밀도와 비균일 분포를 나타내는 주의 맵으로 해석할 수 있다. 이러한 불확실성 맵을 기반으로 피드백 네트워크는 화이트닝 출력을 반복적으로 개선한다. 또한, 대기광 색상을 추정하는 데 어려움이 있는 문제를 해결하기 위해, 입력 이미지의 그레이스케일 버전을 활용한다. 그레이스케일 이미지는 입력 이미지 내 존재할 수 있는 다양한 조명 색상의 영향을 덜 받기 때문이다. 실험 결과는 제안하는 방법이 밀도가 높고 비균일한 안개 또는 연기를 처리하는 데 있어 기존 최첨단 기법들과 비교하여 정량적·정성적으로 모두 뛰어난 성능을 보임을 입증한다.