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
我们提出了一种快速的深度多块分层网络，通过聚合来自迷雾图像不同空间段的多个图像块的特征，从而以更少的网络参数恢复非均匀雾图像。与当前的多尺度方法相比，我们的方法提供更快的运行时，并展示了在密集雾去除方面相对于其他最先进模型的优势。
May, 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
本文提出了一种简单而有效的经过集成学习的非均质去雾方法，该方法使用两个分支神经网络分别处理非均质去雾难题，并通过可学习的融合模块将它们的特征映射到一起，实现了在有限的数据情况下提高去雾效果的目的。
Apr, 2021
该研究提出了一种结合了RGB通道变换和最新Transformers的创新图像去雾方法，以缩小NH-HAZE23数据集和其他数据集之间的分布差距，并在非均质雾的情况下提高去雾性能。
Apr, 2023
基于条件扩散模型的去雾方法利用深度学习，通过降低频谱偏差和模拟多样化的雾气，显著改进了真实世界图像去雾的效果。
Aug, 2023
提出了一种新的去雾网络，通过创新的Haze-Aware Attention模块（HAAM）和Multiscale Frequency Enhancement模块（MFEM）的结合来解决图像去雾的问题，该网络在效率和效果方面明显优于现有的基于注意力和变换器模型，为图像去雾领域的研究提供了新的突破。
Jul, 2024
该研究解决了现有图像去雾方法在训练数据依赖和计算力量消耗上的不足，尤其是在非均匀或重雾条件下的表现。提出的DRACO-DehazeNet通过新型的四元损失对比学习范式和注意力细节恢复网络，实现了在有限数据下的有效训练，取得了在多种基准雾霾数据集上的优越表现。
Oct, 2024