本文提出一种称为DehazeNet的端到端可训练系统，用于中介介质透射图的估计，以便于去除输入图像中的雾霾，并通过大气散射模型恢复无雾图像。DehazeNet采用卷积神经网络（CNN）的深层架构，其层特别设计为体现图像去雾中已建立的假设/先验，包括使用Maxout单元的特征提取层和双边整流线性单元的非线性激活函数，实验表明DehazeNet具有优越的性能。

Jan, 2016

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

本研究旨在通过特征去噪的方式提高卷积神经网络在对抗攻击下的鲁棒性，实验结果表明这种方法对提高白盒和黑盒攻击下的分类准确率具有一定效果。

Dec, 2018

通过特征散射在潜空间中生成对抗图像，避免标签泄露以及协同考虑样本间关系，提高模型对抗攻击的鲁棒性。在不同数据集上进行实验，并与最先进的方法进行比较，证明了这种新方法的有效性。

Jul, 2019

本研究提出了一种全面的、端到端的生成对抗网络，结合了融合鉴别器(FD-GAN)，它可以更自然、更真实地生成去雾图像，并且已经在在公共合成数据集和真实世界图像上表现出最先进的性能，取得了更具视觉效果的去雾结果。

Jan, 2020

本文提出了一种基于编码器-解码器网络和空间感知通道注意机制的去雾算法，并引入一种贪婪本地化数据增强机制以确保去除影响后的图像的一致性，为了消除人工合成图像与真实数据集之间的差异，提出了对抗性的先验引导框架来确保性能一致性，并在实验中取得了最先进的效果。

Jan, 2021

本文提出了一种基于生成对抗网络的图像翻译方法，用于单幅图像去雾。该方法主要是采用了新的凝视-命题残差网络，以及基于多损失函数的条件生成对抗网络。实验结果表明该方法能够有效地去除图片中的雾霾，并具有较高的效率。

Feb, 2021

我们提出了一种新的图像去雾框架，该框架与未标记的实际数据协作，同时开发了一个解缠积网络（DID-Net）和解缠一致性mean-teacher网络（DMT-Net），并使用一致性损失函数在未标记的实际数据上优化性能，实验结果表明我们的方法在数量和质量方面都有明显的提高。

Aug, 2021

本文介绍了一种在各种威胁模型下生成鲁棒分类器的方法，该方法利用了随机生成建模的最新进展，并利用条件分布采样。通过在被攻击的图像上添加高斯独立同分布噪声，然后进行预训练扩散过程，该方法表现出了可观的鲁棒性。该鲁棒性在CIFAR-10数据集上经过了广泛的实验验证，表明我们的方法在各种威胁模型下优于主要的防御方法。

Jul, 2022

本研究针对现有遥感图像对抗攻击方法的不足之处，提出了一种基于Perlin噪声的云生成攻击方法，旨在生成更符合人类感知的对抗样本。通过设计Perlin梯度生成网络（PGGN），将云生成转化为黑箱优化问题，从而实现高效的对抗攻击效果。实验结果表明，该方法具有强大的攻击能力和良好的查询效率，能够有效提升对抗样本的可迁移性及在防御场景中的鲁棒性。

Sep, 2024