안개 관측의 혼합
안개 낀 영상에는 대상에서 오는 빛과 대기에서 더해지는 빛이 함께 영향을 준다. AOD-Net은 이런 산란 모형을 바탕으로 깨끗한 이미지를 추정한다. 실제 장면의 복잡한 조명이나 입자 분포를 단순 모형이 모두 정확히 나타내는 것은 아니다.
별도 변수 대신 직접 출력
전통적인 경로처럼 투과율과 대기광을 각각 추정하고 마지막에 복원하는 구성을 재정리한다. 가벼운 합성곱망이 깨끗한 출력을 직접 생성하도록 설계한다. 모형을 통합했다고 관측의 모호함이나 학습 데이터의 영향이 없어지는 것은 아니다.
관측 단서가 약해지는 예
설명용 혼합 I=tJ+(1−t)A에서 J는 대상 신호, A는 대기광이라고 하자. t=0.2이면 J가 0.1 변해도 관측 I는 0.02만 변한다. 안개가 강하면 대상 단서가 약해질 수 있다. 이는 모형 해석용 수치이며 네트워크의 실제 예측 식 전체는 아니다.
복원과 후속 작업
모델을 객체 검출기 같은 후속 신경망과 연결해 함께 학습하는 구성도 연구한다. 화소 복원 품질이 좋아지는 것과 검출 성능이 좋아지는 것은 별도로 확인해야 한다. 합성 및 실제 안개, 깊이에 따른 차이를 평가하고 전처리를 포함한 전체 실행 비용을 비교한다.
관련 문서
DehazeFormer / RetinexNet / Zero-DCE / Restormer / NAFNet / 합성곱 신경망