Hybrid Approach to Detect Fog Level Using CNN and Defog the Video Sequence Using GAN
Notice bibliographique
Résumé
Fog significantly reduces video clarity by lowering contrast, blurring objects, and distorting colors hampers scene understanding in critical applications such as autonomous driving, traffic surveillance, and remote sensing.Existing defogging methods like Retinex-based algorithms and dark channel prior often fail under varying fog densities and lack real-time adaptability, leading to detail loss or visual artifacts.To address these challenges, this study introduces a hybrid deep learning approach that integrates a Convolutional Neural Network (CNN) for fog level detection and a Generative Adversarial Network (GAN) for adaptive video defogging.The CNN accurately estimates fog density per frame, enabling the GAN to adjust its processing and preserve essential visual features.Preprocessing steps such as grayscale conversion and histogram equalization, enhance feature extraction and improve defogging performance.The system is designed for real-time deployment and adaptability across different atmospheric conditions.Evaluation using metrics such as PSNR, SSIM, FADE, NIQE, MAE, and RMSE demonstrates superior performance compared to existing and state-of-the-art methods like MSBDN and FFA-Net.Notably, under heavy fog, the proposed model achieved a PSNR of 26.0 dB, SSIM of 0.86, FADE score of 0.41, and runtime of 0.31 s/frame, confirming its efficiency and suitability for safety-critical, lowvisibility environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».