从合成到真实：与未标记的真实数据协作的图像去雾
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
真实世界图像去雾任务中，我们首先引入了一个协作展开网络来恢复受雾影响的细节，同时提出了第一个面向去雾任务的迭代式均值教师框架，该框架可以生成高质量的伪标签用于网络训练，并通过优化标签池来挑选高质量的候选样本并分配权重以优先选择不受雾影响的区域，实验证明我们的方法在去雾任务上达到了最先进的性能。
Jun, 2024
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
提出了一种基于合成数据集和全局洗牌策略的解决方案，用于改进单图像去雾问题的深度学习训练方法，并介绍了一个基于卷积跳跃连接模块的改进网络结构，该模块能够以较低的计算成本实现更好的性能。
Jan, 2024
本文提出了一种基于学习的图像去雾域适应模型，该模型包含图像翻译模块和两个图像去雾模块，利用一致性约束训练图像翻译和去雾网络以实现更好效果。实验结果表明，该模型在合成和真实世界图像中表现优异。
May, 2020
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
本研究提出了一种新型的无源无监督领域自适应（SFUDA）图像去雾范式，通过开发领域表征归一化模块，利用频率损失和物理先验损失指导无监督学习，插入我们的 DRN 模块，现有的源去雾模型能够去除未标记的真实模糊图像。
Jul, 2022
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