Detail Cantuman

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.