DOI: https://doi.org/10.1016/j.patcog.2026.114956
تاريخ النشر: 2026-09-19
المؤلف: Lirong Zheng وآخرون
الموضوع الرئيسي: تقنيات تحسين الصور
نظرة عامة
تقدم ورقة البحث شبكة إزالة الضباب المدفوعة بالقناة المظلمة (DGFDNet)، وهي إطار عمل جديد ثنائي المجال مصمم لتعزيز إزالة الضباب من صورة واحدة من خلال محاذاة فعالة لمؤشرات تدهور المجال المكاني وتدهور المجال الترددي. غالبًا ما تكافح الطرق التقليدية المعتمدة على المحولات مع التكاليف الحسابية العالية والأداء غير الكافي في ظروف الضباب المعقدة بسبب اعتمادها على الميزات المكانية وضعف دمج معلومات المجال الترددي. تعالج DGFDNet هذه القيود من خلال ثلاثة وحدات مبتكرة: وحدة تعديل التردد المدركة للضباب (HAFM)، التي تستخدم معلومات القناة المظلمة لإنشاء خريطة ثقة الضباب لتصفية طيفية تكيفية؛ وحدة تجميع البوابات متعددة المستويات (MGAM)، التي تستخدم الالتفافات متعددة المقاييس وآلية بوابة هجينة لدمج الميزات واستعادة التفاصيل الدقيقة؛ وفرع توجيه تصحيح الأولويات (PCGB)، الذي يقوم بتحسين تقديرات الضباب بشكل تكراري لتعزيز دقة التحديد، خاصة في البيئات الخارجية.
تظهر التقييمات الواسعة عبر أربعة مجموعات بيانات مرجعية أن DGFDNet تحقق أداءً رائدًا، مما يظهر تحسينًا في المتانة وكفاءة الوقت الحقيقي مقارنة بالطرق الحالية. يلتقط الإطار بشكل فعال الاعتماديات بعيدة المدى مع الحفاظ على التفاصيل الدقيقة، مما يجعله مناسبًا للتطبيقات العملية في ظروف ضبابية متنوعة. الشيفرة الخاصة بـ DGFDNet متاحة للجمهور، مما يسهل المزيد من البحث والتطوير في مجال إزالة الضباب من الصور.
مقدمة
تتناول مقدمة ورقة البحث التحديات التي تطرحها ظروف الضباب على جودة الصورة، والتي تؤثر سلبًا على المهام مثل اكتشاف الكائنات والتقسيم الدلالي. تم تحديد إزالة الضباب من صورة واحدة كمشكلة غير محددة بسبب توزيع الضباب المعقد وغير المعروف. أظهرت الطرق التقليدية التي تستخدم الأولويات المصنوعة يدويًا فعاليتها في السيناريوهات الأبسط لكنها تكافح في البيئات الأكثر تعقيدًا. بينما تعزز الطرق المعتمدة على الشبكات العصبية الالتفافية (CNN) جودة إعادة البناء من خلال التعلم من البداية إلى النهاية، فإن مجالات الاستقبال المحدودة تعيق نمذجة الاعتماديات العالمية اللازمة لاستعادة الاتساق الهيكلي. تحسن النماذج المعتمدة على المحولات من التقاط الاعتماديات بعيدة المدى لكنها تواجه تحديات حسابية تحد من التطبيقات في الوقت الحقيقي.
لمعالجة هذه القيود، يقترح المؤلفون شبكة إزالة الضباب المدفوعة بالقناة المظلمة (DGFDNet)، وهي إطار عمل ثنائي المجال يتماشى مع مؤشرات تدهور الضباب عبر المجالات المكانية والترددية. تتضمن DGFDNet كتل DGFDBlocks متعددة المقاييس، التي تتكون من وحدة تعديل التردد المدركة للضباب (HAFM) ووحدة تجميع البوابات متعددة المستويات (MGAM). تولد HAFM خريطة ثقة الضباب وتعدل مكونات التردد، بينما تعزز MGAM التمثيلات المكانية لاستعادة التفاصيل عالية التردد. يسمح إدخال فرع توجيه تصحيح الأولويات (PCGB) بتحسين تقديرات الضباب بشكل تكراري، مما يحسن دقة التحديد والمتانة في المشاهد المعقدة. تدعي الورقة أن DGFDNet تحقق أداءً رائدًا في إزالة الضباب مع كفاءة حسابية تنافسية، مما يمثل تقدمًا كبيرًا في هذا المجال.
طرق
في هذا القسم، يقدم المؤلفون تقييمًا شاملاً لـ DGFDNet مقابل الطرق الرائدة (SOTA) عبر مجموعتين من البيانات الاصطناعية ومجموعتين من البيانات الواقعية. تشير المقارنات الكمية، الملخصة في الجدول 1، إلى أن DGFDNet تتفوق باستمرار على التقنيات الحالية، محققة قيمًا متفوقة لنسبة ذروة الإشارة إلى الضوضاء (PSNR). على وجه التحديد، تحسن DGFDNet PSNR بمقدار 1.36 ديسيبل و1.39 ديسيبل على مجموعة بيانات SOTS-Indoor، و0.80 ديسيبل و0.83 ديسيبل على SOTS-Outdoor، بينما تستخدم حوالي نصف المعلمات وأقل من نصف العمليات العائمة (FLOPs) مقارنة بمنافسيها.
يبرز المؤلفون أن DGFDNet تستخدم انتباهًا مدفوعًا بالقناة المظلمة لتحسين تحديد الضباب ووحدة تعديل تردد كاملة لمعالجة مستويات التدهور المتغيرة بشكل فعال، مما يميزها عن الطرق المعتمدة على CNN مثل FocalNet وOKNet. من الجدير بالذكر أن DGFDNet تحقق نتائج قابلة للمقارنة مع DCMPNet الأكثر تعقيدًا مع 12.0% فقط من معلماتها و19.7% من FLOPs، بينما تتفوق عليها بمقدار 1.95 ديسيبل في PSNR على SOTS-Outdoor. علاوة على ذلك، تظهر DGFDNet أداءً قويًا على المعايير الواقعية، مثل Dense-Haze وNH-HAZE، محققة أعلى الدرجات في كل من PSNR ومقياس مؤشر التشابه الهيكلي (SSIM)، مما يظهر قدراتها القوية على التعميم في استعادة التفاصيل عالية الدقة تحت ظروف صعبة.
نقاش
في مناقشة طرق إزالة الضباب المعتمدة على الأولويات، تبرز الورقة قيود الأولويات التقليدية المصنوعة يدويًا، وخاصة الأولوية المدفوعة بالقناة المظلمة (DCP)، التي تكافح في المشاهد المعقدة مثل السماء حيث تؤدي الكثافات المنخفضة إلى تقديرات غير دقيقة لنقل الضباب. بالمقابل، أظهرت الطرق المعتمدة على الشبكات العصبية الالتفافية (CNN) تحسينًا في التكيف من خلال تعلم الميزات من مجموعات بيانات كبيرة، على الرغم من أنها تواجه تحديات مع الاعتماديات بعيدة المدى وزيادة التكاليف الحسابية. ظهرت الطرق المعتمدة على المحولات كبديل واعد، مستفيدة من قدرات النمذجة العالمية، ومع ذلك لا تزال تواجه مشاكل مع التعقيد الحسابي واستعادة التفاصيل المحلية.
تدمج بنية DGFDNet المقترحة فرع إزالة الضباب الرئيسي وفرع توجيه تصحيح الأولويات، باستخدام هيكل ترميز-فك تشفير على شكل U مع كتل الميزات المدفوعة بالقناة المظلمة (DGFDBlocks) لتعزيز إدراك الضباب واستعادته. تتناوب وحدة تعديل التردد المدركة للضباب (HAFM) بين المعالجة المكانية ومعالجة المجال الترددي لتحسين استخراج ميزات الضباب، بينما تقوم وحدة تجميع البوابات متعددة المستويات (MGAM) بتحسين التمثيلات المحلية من خلال دمج الميزات التكيفية. يقوم فرع توجيه تصحيح الأولويات (PCGB) بضبط الأولوية المدفوعة بالقناة المظلمة ديناميكيًا لتحسين تحديد الضباب، مما يعالج قيود الأولويات الثابتة في الظروف الواقعية. يتم التحقق من فعالية هذه الوحدات من خلال دراسات إبطال شاملة، مما يظهر أدوارها التكميلية في تحقيق أداء إزالة ضباب متفوق عبر كل من مجموعات البيانات الاصطناعية والواقعية.
DOI: https://doi.org/10.1016/j.patcog.2026.114956
Publication Date: 2026-09-19
Author(s): Lirong Zheng et al.
Primary Topic: Image Enhancement Techniques
Overview
The research paper presents the Dark Channel Guided Frequency-aware Dehazing Network (DGFDNet), a novel dual-domain framework designed to enhance single-image dehazing by effectively aligning spatial and frequency-domain degradation cues. Traditional transformer-based methods often struggle with high computational costs and inadequate performance under complex haze conditions due to their reliance on spatial features and weak integration of frequency-domain information. DGFDNet addresses these limitations through three innovative modules: the Haze-Aware Frequency Modulator (HAFM), which utilizes dark channel priors to create a haze confidence map for adaptive spectral filtering; the Multi-level Gating Aggregation Module (MGAM), which employs multi-scale convolutions and a hybrid gating mechanism to fuse features and recover fine details; and the Prior Correction Guidance Branch (PCGB), which iteratively refines the haze prior to enhance localization accuracy, particularly in outdoor environments.
Extensive evaluations across four benchmark datasets demonstrate that DGFDNet achieves state-of-the-art performance, showcasing improved robustness and real-time efficiency compared to existing methods. The framework effectively captures long-range dependencies while maintaining fine-grained detail, making it suitable for practical applications in diverse hazy conditions. The code for DGFDNet is publicly available, facilitating further research and development in the field of image dehazing.
Introduction
The introduction of the research paper addresses the challenges posed by hazy conditions on image quality, which adversely affects tasks such as object detection and semantic segmentation. Single-image dehazing is identified as an ill-posed problem due to the complex and unknown haze distribution. Traditional methods utilizing handcrafted priors have shown effectiveness in simpler scenarios but struggle in more intricate environments. While convolutional neural network (CNN)-based approaches enhance reconstruction quality through end-to-end learning, their limited receptive fields hinder the modeling of global dependencies necessary for restoring structural consistency. Transformer-based models improve long-range dependency capture but face computational challenges that restrict real-time applications.
To address these limitations, the authors propose the Dark Channel Guided Frequency-aware Dehazing Network (DGFDNet), a dual-domain framework that aligns haze degradation cues across spatial and frequency domains. DGFDNet incorporates multi-scale DGFDBlocks, which consist of the Haze-Aware Frequency Modulator (HAFM) and the Multi-level Gating Aggregation Module (MGAM). HAFM generates a haze confidence map and modulates frequency components, while MGAM enhances spatial representations to recover high-frequency details. The introduction of the Prior Correction Guided Branch (PCGB) allows for iterative refinement of haze estimates, improving localization accuracy and robustness in complex scenes. The paper claims that DGFDNet achieves state-of-the-art dehazing performance with competitive computational efficiency, marking a significant advancement in the field.
Methods
In this section, the authors present a comprehensive evaluation of DGFDNet against state-of-the-art (SOTA) methods across two synthetic and two real-world datasets. The quantitative comparisons, summarized in Table 1, indicate that DGFDNet consistently outperforms existing techniques, achieving superior Peak Signal-to-Noise Ratio (PSNR) values. Specifically, DGFDNet improves PSNR by 1.36 dB and 1.39 dB on the SOTS-Indoor dataset, and by 0.80 dB and 0.83 dB on SOTS-Outdoor, while utilizing approximately half the parameters and less than half the floating-point operations (FLOPs) compared to its competitors.
The authors highlight that DGFDNet employs dark channel-guided attention for enhanced haze localization and a full-frequency modulation unit to effectively address varying degradation levels, distinguishing it from CNN-based methods like FocalNet and OKNet. Notably, DGFDNet achieves comparable results to the more complex DCMPNet with only 12.0% of its parameters and 19.7% of its FLOPs, while outperforming it by 1.95 dB in PSNR on SOTS-Outdoor. Furthermore, DGFDNet demonstrates robust performance on real-world benchmarks, such as Dense-Haze and NH-HAZE, attaining the highest scores in both PSNR and Structural Similarity Index Measure (SSIM), thereby showcasing its strong generalization capabilities in recovering high-fidelity details under challenging conditions.
Discussion
In the discussion of prior-based dehazing methods, the paper highlights the limitations of traditional handcrafted priors, particularly the dark channel prior (DCP), which struggles in complex scenes such as skies where low intensities lead to inaccurate haze transmission estimation. In contrast, convolutional neural network (CNN)-based methods have shown improved adaptability through feature learning from large datasets, although they face challenges with long-range dependencies and increased computational costs. Transformer-based approaches have emerged as a promising alternative, leveraging global modeling capabilities, yet they still encounter issues with computational complexity and local detail restoration.
The proposed DGFDNet architecture integrates a dehazing main branch and a prior correction guidance branch, utilizing a U-shaped encoder-decoder structure with Dark Channel-Guided Feature Blocks (DGFDBlocks) to enhance haze perception and restoration. The Haze-Aware Frequency Modulator (HAFM) alternates between spatial and frequency-domain processing to optimize haze feature extraction, while the Multi-level Gating Aggregation Module (MGAM) refines local representations through adaptive feature fusion. The Prior Correction Guidance Branch (PCGB) dynamically adjusts the dark channel prior to improve haze localization, addressing the limitations of static priors in real-world conditions. The effectiveness of these modules is validated through extensive ablation studies, demonstrating their complementary roles in achieving superior dehazing performance across both synthetic and real-world datasets.