该文介绍了一种新的深度学习算法，用于从模糊的图片中恢复出清晰的图片，该算法采用了编码器-解码器架构和实例归一化，通过采用预训练的VGG网络中的卷积层来提取特征，可显著提高图像的清晰度。
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
本文提出了一种利用地球成像除雾知识解决火星上除尘问题的方法，该方法采用天问一号遥感图像，通过手动选择数量众多的清洁和含尘图像，通过训练神经网络，成功地消除了火星上尘暴对图像质量的影响，并提高了其地貌和地形数据的精度。
Jun, 2022
基于概率模型的图像修复算法，通过引导去噪过程来实现任意尺寸的图像修复。该算法在图像去雪、去雨和去雾等数据集上表现出了领先的性能，并且在实际测试图像方面具有很强的泛化性能。
Jul, 2022
本文提出了一种基于深度学习的新范式，通过合成更真实的数据和引入更强的先验知识来处理真实世界中的雾霾图像。所提出的Real Image Dehazing网络（RIDCP）结合高质量的Codebook Priors来处理多种复杂的视觉退化现象，其效果优于传统物理散射模型的处理方式，并能显著提高图像的清晰度。经过大量实验证明了这种模型对合成数据和真实数据的处理能力。
Apr, 2023
Dehazing-NeRF是一种无监督方法，通过联合学习大气散射模型和清晰的Neural Radiance Field模型，解决拍摄模糊场景时大气散射对图像重建的影响，同时改善信息丢失造成的图像质量降低，具有更好的图像去雾和新视角合成效果。
应用卷积神经网络(CNN)识别火星表面的水冰碎片，以帮助识别适于进行水文学探测的区域。
May, 2023
本研究介绍了以视觉技术为基础的农业灰尘去除方法，并提供了用于验证的RB-Dust数据集。
Jun, 2023
通过使用在Resnet-50上进行精调的Dust Image Classifier，自动过滤受大气尘埃阻挡的图片，并设计一个预测管道来分类和储存这些有尘印的照片。此外，还使用基于Auto Encoder的降噪器和Pix2Pix GAN（SSIM指数分别为0.75和0.99）对部分受阻图片进行去噪。
May, 2024
我们提出了一种基于U-Net架构的新方法来去除云层阴影，通过对比经典监督和条件生成对抗网络。我们使用真实图像和合成云数据集上评估了我们的方法，通过图像质量指标（RMSE、PSNR、SSIM和FID）获得了定量评估结果。我们在不同类型和纹理的云层上展示了相对于传统云处理技术和稀疏编码基线的改进结果。
Jul, 2024