Earticle

Images which are captured in outdoor scenes often degrade in quality due to atmospheric conditions induced by suspending particles like mist, haze, fog, etc. which scatter and absorb light before it reaches to the camera. The weather-degraded images directly affect the efficiency of computerized surveillance and monitoring system. In this paper, we propose an efficient haze removal technique which integrates dark channel prior with an ant colony optimization algorithm. Firstly, we use the dark channel prior method to compute dark channel in the hazy image and secondly, ant colony optimization algorithm is applied to make restoration factor for hazy images, adaptive between 0 to 1. The restoration factor in all the previous work is fixed value i.e. 0.1. Experimental-results show that proposed algorithm is effective, robust and is yielding high-contrast images.

본 논문에서는 기존의 고전적인 안개 제거 알고리즘과 딥러닝 기반의 안개 제거 모델들의 문제점을 개선하고, 고해상도 안개 영상을 실시간으로 처리할 수 있는 딥러닝 모델과 추론 방식을 제안한다. 핵심 아이디어는 안개 영상에서 안개의 색상을 추론하는 모델과 안개량을 추론하는 모델을 분리하여 학습시켜 각각의 모델을 경량화함으로써 추론 속도를 향상시키는 것이다. 또한, 합성 안개 영상에 대해서는 잘 작동하지만 다양한 안개 색상과 배경을 갖는 실제 안개 영상에서는 성능이 떨어지는 문제점을 새로운 데이터셋 생성 방식을 이용하여 해결한다. 실험을 통해 우리의 안개 제거 모델로 안개 이미지를 처리한 후의 가시거리 증가량을 측정하고, 실제 CCTV 영상에 대하여 추론 속도와 안개 제거 성능을 사전 학습된 기존의 모델들과 비교한다.

In this paper, we propose a deep learning model and inference pipeline that can process high-resolution fog video in real-time, addressing limitations found in classical defogging algorithms and existing deep learning-based defogging models. The key idea is separating the tasks of inferring fog color and estimating the amount of fog into two distinct models, allowing for a more efficient, lightweight design that improves inference speed. While many deep defogging models perform well on synthetic fog images, they suffer from reduced effectiveness on real-world fog images with diverse fog colors and backgrounds. We solve this problem by introducing a synthetic fog dataset generation method tailored for real-world conditions. Through experiments, we demonstrate the increase in visible distance achieved by proposed model and compare its inference speed and defogging performance against pre-trained models on real-world CCTV fog images.

본 논문은 먼지, 물방울, 안개 등과 같이 빛의 산란 및 감쇄를 발생시키는 외부요인에 의해 열화된 영상의 화질을 향상시키기 위한 새로운 방법을 제시한다. 기존의 안개제거 방법들은 전역대기 산란광의 오추정 및 매개체 전달량 오류로 인하여 영상을 복원하였을 때 명암대비가 낮거나 일부 영역에서 색이 왜곡되는 문제가 발생한다. 따라서 본 논문에서는 이를 개선하기 위해 강인한 전역대기 산란광 추정방법과 국부영역 색포화 평가방법을 통한 매개체 전달량 추정방법을 제안한다. 제안하는 방법은 전역대기 산란광 오추정에 기인하여 발생하는 매개체 전달량 오류와 색포화 문제를 개선하였으며, 이를 통해 복원영상의 화질을 향상시켰다. 제안하는 방법과 기존 방법과의 비교 실험결과는 전역대기 산란광 추정의 정확성과 복원된 영상의 객관적, 주관성 성능 향상을 보여준다.

This paper presents a new method for improving the quality of images corrupted by an external source that generates an attenuation and scattering of light like dust, water droplets and fog. Conventional defog methods typically encounter a distortion such that the restored image has low contrast and oversaturation of color in some regions because of the mis-estimated airlight and wrong media transmission. Therefore, in order to mitigate these problems, we propose a robust airlight selection method and local saturation evaluation method for estimating media transmission. The proposed method addresses the wrong media transmission and over-saturation problems caused by the mis-estimated airlight and thereby improves the restored image quality. The results of relevant experiments of the proposed method against conventional ones confirm the improved accuracy of atmospheric light estimation and the quality of restored images with regard to objective and subjective performance measures.