画像エラーをデジタルで補正するために最初にすべての入力画像の障害のある領域をアルゴリズムで識別し、それに応じてマークを付けます。この目的のためにニューラルネットワークはエラーのある場合とない場合の画像セクション間の関係性を学習するようなトレーニングされています。次のステップでは欠陥のある画像セクションがニューラルネットワークによって全体的な画像に再構築され、再構築によって置き換えられます。

EDAG グループの開発者はさまざまなネットワークアーキテクチャを採用して最適なアーキテクチャを選択し部分畳み込みニューラルネットワーク（CNN）と再帰型畳み込みニューラルネットワーク（RCNN）の組み合わせで最高の結果を達成しました。長期および短期メモリに触発されたRCNNを使用するとソフトウェアは再構成のために前の画像と後続の画像からの情報を使用できます。深層学習アプローチはさまざまな異なる形式をとることができる画像エラーの堅牢な再構成を可能にします。

選択されたネットワークアーキテクチャは以前に見られたオブジェクトやシナリオから情報を抽象化し、基本的な接続を認識することも可能にします。例えば単一の画像内の非表示のオブジェクトは以前の画像の経験値に基づいて再構築できます。

これらの経験値は何百万もの異なる画像を分析することによりトレーニングプロセスで収集されます。抽象化の正確性はトレーニングプロセス中に常にチェックされます。

EDAGグループは広く使用されているNvidia自律プラットフォーム用にソフトウェアを最適化しました。その結果、ユーザーは組み込みシステム用の標準ハードウェアプラットフォームと組み合わせた高性能アルゴリズムの恩恵を受けます。

DiFoRemシステムはカメラベースの信号の可用性と堅牢性を高め現在の運転支援システムまたは自動運転機能からの入力データの品質を向上させます。

DiFoRemは背面図、正面図、上面図、サラウンドビューカメラシステムなどさまざまなハードウェアコンポーネントと互換性を持ちます。