Peningkatan Arsitektur Encoder-Decoder Modular Berbasis CNN pada Peningkatan Kualitas Citra Berkabut

Abstrak

Penelitian ini mengembangkan kerangka encoder–decoder berbasis CNN modular untuk tugas image dehazing, mengganti bottleneck konvensional dengan mekanisme token-mixing seperti FNet, Spatial-FNet, MLP-Mixer, dan gMLP. Pipeline mencakup pra-pemrosesan adaptif (CLAHE, histogram matching), augmentasi sintetik, serta pelatihan pada subset SOTS. Evaluasi numerik dan visual menunjukkan peningkatan signifikan dibanding baseline: rata-rata PSNR naik dari ≈18.4 dB menjadi ≈23.0–24.0 dB dan SSIM meningkat dari ≈0.75 menjadi ≈0.89–0.91. Temuan ini memberikan pedoman arsitektural dan strategi pra-pemrosesan bagi sistem visi dunia nyata seperti kendaraan otonom. Rekomendasi meliputi evaluasi pada dataset nyata lebih luas, tuning hiperparameter, analisis efisiensi komputasi, dan latensi sistem.

Identifier

• OpenAlex: https://openalex.org/W7172493219
• DOI: https://doi.org/10.33005/santika.v6i1.914