该论文提出了一种新的方法，即通过端到端学习框架来同时估计透射率图和去雾结果，相对于现有的方法，该方法在合成和真实数据集上均能达到显著的改善。

Aug, 2017

本文介绍了一种用于单一模糊图像恢复的级联 CNN 方法，该方法同时考虑了介质透射和全局大气光。使用该方法可以更准确和有效地去除室外天气带来的雾霾问题，并优于现有的去雾方法。

Mar, 2018

提出了一种名为 DR-Net 的新型深度网络架构用于图像去雾，其由三个主要子网络组成：预测输入图像的透射率图的传输预测网络、重构由透射率图驱动的潜在图像的去雾网络和通过弱监督学习增强去雾结果的细节和颜色特性的优化网络。与先前的方法相比，我们的方法在数据驱动模型，端到端系统和鲁棒性，准确性和适用性方面具有优越性能。大量实验证明，与合成和真实图像中的最新方法相比，DR-Net 在定量和定性指标上都表现出色。此外，DR-Net 的实用性也可以通过其在几个重要计算机视觉任务中的潜在用途得到说明。

Dec, 2017

本文提出了一个基于 U-Net 的编码器 - 解码器深层网络模型用于单幅图像去雾。该模型通过逐步特征融合，直接从观察到的有雾图像到去雾地面真实的高度非线性变换函数。在两个公共的图像去雾基准测试中，该模型在 GPU 的高效内存使用下能够令人满意地恢复超高清分辨率模糊图像，达到了顶尖水平。

Oct, 2018

本文提出了一种称为 Cycle-Dehaze 的端到端网络，用于单图像去雾问题，无需对成对的模糊和对应的真实图像进行训练，此方法不依赖于大气散射模型参数的估计。网络利用循环一致性和知觉损失增强 CycleGAN 的公式，以提高对纹理信息的恢复质量并生成更好的无雾图像。实验证明，该方法在 NYU-Depth、I-HAZE 和 O-HAZE 数据集上都能明显提高 CycleGAN 方法的质量。

May, 2018

本文提出了一种高效的完全卷积神经网络图像去雾方法，旨在为边缘图形处理单元提供支持，并使用三种变体的体系结构来探索去雾图像质量对参数数量和模型设计的依赖性。

Apr, 2019

GridDehazeNet 是一种端到端可训练的卷积神经网络，用于单图像去雾。其包括预处理、骨干和后处理三个模块，在预处理模块中可以生成具有更好多样性和相关特征的输入。骨干模块实现基于注意力的多尺度估计，可以有效缓解传统多尺度方法中经常遇到的瓶颈问题。后处理模块有助于减少最终输出中的伪影。实验结果表明，GridDehazeNet 在合成和实际场景中都优于现有技术。提出的去雾方法不依赖于大气散射模型，并解释了为什么即使只考虑合成图像上的去雾结果，利用大气散射模型的降维优势也未必有益。

Aug, 2019

本研究提出了一种基于神经网络的端对端算法，采用融合策略从浑浊图像中直接恢复出清晰图像，并实现多尺度处理以避免光晕伪影，实验证明该方法在合成和真实图像中都有优于现有算法的表现。

Mar, 2018

本文提出了一种利用改良条件生成对抗网络的端到端学习的方法，采用 Tiramisu 模型代替传统的 U-Net 模型作为生成器，使用基于贴片的鉴别器来减少输出图像中的伪喷雾，并设计了混合加权损失函数来提高输出图像的感知质量，实验结果表明，该模型在合成和真实世界喷雾图像上与现有技术水平相当。

Oct, 2018

本文提出了一种新的 Ranking Convolutional Neural Network （Ranking-CNN）模型，通过支持新颖的 ranking layer 实现了对大规模雾图像块的自动特征学习，从而有效地去除雾霾，优于现有多种去雾方法。

Jan, 2020