영상 디헤이징(image dehazing)은 컴퓨터 비전에서 근본적인 문제이며, 지금까지 엄청난 양의 연구를 촉발해 왔다. 최근에는 딥러닝 기법의 잘 알려진 성공과 함께 이 분야가 딥 디헤이징(deep dehazing) 모델에 의해 주도되고 있다. 그러나 딥러닝은 영상 디헤이징의 실용성 측면에서는 항상 만능해법이 아니다. 그 이유는 높은 계산 복잡도, 비싼 유지보수 비용, 그리고 높은 탄소 배출이라는 세 가지 두드러진 문제가 있기 때문이다. 따라서 계산 효율성은 현실 환경에서의 결정적 요인이다. 이러한 증가하는 요구에 대응하기 위해, 우리는 세 가지 기초 요소에 맞춘 선형 시간(linear time) 알고리즘을 제안한다: 언샤프 마스킹(unsharp masking)(전처리), 디헤이징(dehazing), 그리고 컬러 감 gamut 확장(color gamut expansion)(후처리)이다. 첫 번째 단계는 영상 강도(intensity)의 국소 분산(local variance)에 따라 선명도를 향상시킨다. 두 번째 단계는 개선된 색 감쇠 우선(improved color attenuation prior)에 기반하여 헤이즈를 제거한다. 세 번째 단계는 색 감쇠 감소(color gamut reduction)로 인한 잔여 효과를 다룬다. 광범위한 실험 결과는 제안한 방법이 대중적인 벤치마크, 특히 딥 디헤이징 모델들과 비교할 만한 성능을 보였음을 입증하였다. 이러한 비교 성능에도 불구하고, 제안한 방법은 여전히 빠르고 효율적이어서 실제 환경의 컴퓨터 비전 시스템에 적합하다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.