Perpustakaan Digital ITB

Degradasi visual akibat kabut berdampak langsung pada sistem berbasis computer vision seperti pengawasan dan kendaraan otonom, karena dapat mengganggu interpretasi citra dan menurunkan akurasi analisis. Pendekatan deep learning konvensional umumnya melakukan pemulihan secara global terhadap seluruh area citra, termasuk bagian yang sudah jernih, sehingga berisiko merusak informasi semantik yang penting. Penelitian ini mengusulkan pendekatan berbeda yang terinspirasi dari proses style transfer, dengan memandang kabut sebagai perubahan gaya visual, bukan sebagai degradasi secara eksplisit, Proses dehazing dirumuskan sebagai proses penyesuaian gaya (style alignment), yaitu, penyesuaian distribusi statistik citra berkabut agar selaras dengan citra jernih. Untuk mendukung proses ini, diperkenalkan modul Self-Conditioned Modulation (SCM) yang bekerja bersama modul Attention untuk memfokuskan koreksi hanya pada area yang terdampak kabut. Model dibangun di atas arsitektur Normalizing Flow yang bersifat bijektif, memungkinkan manipulasi laten yang terkontrol serta menjaga konsistensi rekonstruksi. Evaluasi pada dataset RESIDE dan OHAZE menunjukkan bahwa model mampu melakukan restorasi kabut secara selektif dan mempertahankan informasi semantik citra secara efektif, termasuk pada kondisi kabut alami yang kompleks.