Resumo: Neste estudo, abordamos um aspecto fundamental e ainda relativamente pouco explorado no campo das redes neurais artificiais para o desembaçamento não supervisionado de imagens. Ao conceber uma imagem nebulosa pela superposição de várias camadas "mais simples", tais como uma camada de imagem livre de neblina, uma camada de mapa de transmissão e uma camada de luz atmosférica, inspirada no modelo de espalhamento atmosférico, propomos uma abordagem baseada no conceito de desentrelaçamento de camadas. Nosso método, denominado XYZ, representa uma melhora substancial nas métricas de qualidade de imagem, como SSIM e PSNR, bem como BRISQUE, PIQE e NIQE. Este avanço é alcançado por meio da combinação estratégica dos métodos XHOT, YOLY e ZID, capitalizando os pontos fortes individuais de cada um. Um aspecto distintivo e valioso da abordagem XYZ é a sua natureza não supervisionada, o que implica que ela não depende de conjuntos de dados contendo pares de imagens nítidas e desfocadas para treinamento. Isto contrasta com o paradigma tradicional de treinamento profundo, marcando uma inovação no campo da remoção de névoa. Além disso, destacamos dois benefícios fundamentais da abordagem XYZ proposta. Em primeiro lugar, por não ser supervisionada, evita a necessidade de utilizar conjuntos de dados exaustivos que incluem imagens nítidas e desfocadas como referência fundamental. Em segundo lugar, abordamos a questão da neblina a partir de uma perspectiva multifacetada, reconhecendo e desvendando as complexidades inerentes a este fenômeno atmosférico. Esta abordagem em camadas permite uma representação mais precisa e detalhada da cena, melhorando assim a qualidade das imagens sem neblina. Resultados experimentais obtidos para a conjunto de dados RESIDE são comparados com outros métodos da literatura Ver menos

Abstract: In this study, we address a fundamental and still relatively less explored aspect in the field of neural networks for image dehazing: the unsupervised dehazing of an image. By conceiving a hazy image as the superposition of several "simpler" layers, such as a haze-free image layer, a transmission map layer, and an atmospheric light layer, inspired by the atmospheric scattering model, we propose an approach based on the concept of layer disentangling. Our method, called XYZ, represents a substantial improvement in image quality metrics, such as SSIM and PSNR as well as BRISQUE, PIQE and NIQE. This advancement is achieved through the strategic combination of the XHOT, YOLY and ZID methods, capitalizing on the individual strengths of each. A distinctive and valuable aspect of the XYZ approach is its unsupervised nature, which implies that it does not rely on data sets containing pairs of clear and hazy images for training. This contrasts with the traditional deep training paradigm, marking an innovation in the field of dehazing. Furthermore, we highlight two fundamental benefits of the proposed XYZ approach. Firstly, being unsupervised, it frees the process from the need to use exhaustive datasets that include clear and hazy images as a fundamental reference. Secondly, we approach the haze issue from a multi-layered perspective, recognizing and unraveling the complexities inherent to this atmospheric phenomenon. This layered approach allows for a more accurate and detailed representation of the scene, thereby improving the quality of haze-free images. Experimental results obtained for the RESIDE dataset are compared with other methods from the literature Ver menos