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

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

本文提出了一种端到端的特征融合注意力网络 (FFA-Net) 直接还原无雾图像，该结构在关注机制、残差学习和特征融合等多方面进行了改进，最终在单幅图像去雾方面取得了最新的最好结果。

Nov, 2019

提出了一种使用残差学习和视觉转换器的注意模块的方法，首先估计残差图像，然后通过卷积层和全局上下文转换器编码器获取通道注意力，最后生成无雾图像。实验结果证明了该方法的高效性和可扩展性。

Dec, 2023

介绍了一种基于 Parallel Stripe Cross Attention (PCSA) 的多尺度策略的新型去雾网络，该网络能够高效地捕捉远距离依赖关系，并使用可变的卷积核尺寸和条形长度来处理不同大小和形状的模糊，同时在 PCSA 内部合并了基于 softmax 的自适应加权机制以优化特征的重要性。

May, 2024

PriorNet 是一种新颖、轻量且高度适用的去雾网络，通过引入 Multi-Dimensional Interactive Attention (MIA) 机制，显著提高了雾图像的清晰度和视觉质量，同时避免了过度细节提取等问题，具备优秀的去雾和图像清晰度恢复能力，且在普适性和可部署性方面表现突出。

Apr, 2024

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

使用深度神经网络中的 Separable Hybrid Attention（SHA）模块，联合密度图来建模全球雾的密集度分布，有效地处理了雾的影响，使新的去雾网络架构的性能优于当前所有技术，从而在图像去雾领域取得了最佳性能。

Nov, 2021

本文提出了 DehazeFormer，一种用于图像去雾的改进模型，比传统模型具有更好的效果。模型在多个数据集上进行了实验，表明 DehazeFormer 比当前最先进的方法表现更好。此外，我们还采集了大规模实际遥感去雾数据集来评估该方法的能力。

Apr, 2022