- FALCON：一种用于快速单张图像去雾的频率伴随链接和连续密度掩码
FALCON 是一种单图像去雾系统，利用频域操作来扩大感知范围，通过连续密度掩模来处理大气散射模型，具备在实时应用领域（如自动驾驶）中获得最新性能的能力。
- 重新思考单图像去雾的初级函数融合
该研究论文通过提出一种创新的去雾网络（CL2S）来解决当前图像去雾领域中物理模型的局限性。CL2S 建立在 DM2F 模型的基础上，通过消融实验确定 DM2F 存在的问题，并将原始对数函数模型替换为三角（正弦）模型，以更好地适应复杂和多变的 - RSDehamba: 轻量级遥感卫星图像去雾视觉麻蛇
基于 RSDhamba 的轻量级网络，将选择性状态空间模型（SSM）整合到 U-Net 架构中，通过视觉 Dehamba 块（VDB）实现全局上下文编码，并通过 Direction-aware Scan 模块（DSM）动态聚合特征交换，以有 - 去雾遥感与无人机影像：深度学习、基于先验和混合方法的综述
在遥感和无人机应用中，高质量图像是至关重要的，但大气雾霾严重影响图像质量，因此图像去雾成为一个关键的研究领域。本综述超越了传统对基准雾霾数据集的关注点，还探讨了去雾技术在遥感和无人机数据集中的应用，全面概述了这些领域中的深度学习和基于先验的 - PANet：一种基于物理引导的参数增强网络用于图像去雾
本文提出了一种物理引导的参数增强网络 (PANet)，用于生成逼真的有雾和无雾训练对，以有效提升实际环境下的图像去雾性能。实验结果表明，PANet 可以增加多样逼真的有雾图像，丰富现有的有雾图像基准，从而有效提升最先进的图像去雾模型的性能。
- VIFNet：一种用于图像去雾的端到端可见 - 红外融合网络
设计了一个可见 - 红外融合网络用于图像去雾，并通过多尺度深度结构特征提取模块和不一致性加权融合策略，充分利用红外图像的信息来改善效果，实验证明 VIFNet 优于现有方法。
- TSNet: 图像去雾的两阶段网络，结合多尺度融合与自适应学习
该研究提出了一种名为 TSNet 的两阶段图像去雾网络，主要由多尺度融合模块（MSFM）和自适应学习模块（ALM）组成，通过增强泛化性能和恢复纹理细节来实现更好的去雾效果。实验证明，相较于之前的方法，TSNet 在合成和真实数据集上表现出卓 - MMWaveDH: 基于小波子带引导的卷积神经网络在高效图像去雾中的应用
WaveDH 是一个新颖而紧凑的 ConvNet，利用小波分解从特征层中提取低频和高频组件，以提高处理速度并实现高质量重建，在频率感知的基础上对特征进行了优化，以在计算成本和准确性之间取得有利的权衡，通过大量实验证明，WaveDH 方法在多 - 单幅图像去雾的 U 型视觉猛蛇
提出了一种名为 UVM-Net 的高效单图像去雾网络，结合了 Transformer 和 State Space Sequence Models (SSMs) 的能力，能够更有效地建模长距离依赖关系，并在图像去雾和其他图像恢复任务中取得了良 - 遥感图像去雾的编码器最小化和解码器最小化框架
提出了一种用于远程感知图像去雾的编码器极简和解码器极简框架 RSHazeNet，采用内层转置融合模块 (ITFM) 进行特征融合，采用跨层多视图交互模块 (CMIM) 和多视图渐进提取块 (MPEB) 增强特征学习，并通过大量实验证明了该方 - 准确且轻量级的去雾方法：多接受野非局部网络和新型对比正则化
提出了一种基于多接收域非局部网络（MRFNLN）的图像去雾方法，该方法利用深度学习方法提取有用特征，并通过多流特征注意力块（MSFAB）和交叉非局部块（CNLB）实现对图像去雾的优化，同时引入了新颖的细节聚焦对比正则化（DFCR）以提高模型 - MB-TaylorFormer：基于 Taylor 公式扩展的多分支高效 Transformer 用于图像去雾
近年来，Transformer 网络开始取代纯卷积神经网络在计算机视觉领域的应用，但是其二次计算复杂度的 softmax-attention 限制了高分辨率图像去雾任务的广泛应用。因此，我们提出了一种新的 Transformer 变体，应用 - 高质量图像去雾扩散模型
提出了 DehazeDDPM：基于 DDPM 和物理感知的图像去雾框架，适用于复杂的浑浊场景，通过利用大气散射模型（ASM）进行物理建模，并与 DDPM 的强大生成能力相结合，补偿因浓雾引起的巨大信息损失。实验证明，该方法在合成和真实世界的 - 适频扩散模型用于实景去雾
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。
- MM基于互信息的三重交互网络用于高效图像去雾
提出了一种基于空间频率双域信息和两阶段架构的互信息驱动的三重交互网络（MITNet），解决了现有方法中对频域信息的有限探索、信息交互不足和特征冗余严重等问题。MITNet 在多个公共数据集上展示出卓越的性能，并具有较低的模型复杂性。
- 低光雾天场景的可见性增强
本文提出了一种新方法来增强暗光雾霭场景的可见性，通过跨一致性除雾增强框架和基于物理模拟的低光雾数据集生成，实验证明该方法在各项指标上的效果优于现有方法，并通过人类视觉感知的用户研究证明了该方法的有效性和必要性。
- DFR-Net: 图像去雾的密度特征优化网络利用雾密度差异
本研究提出了一种名为密度特征细化网络（DFR-Net）的密度感知去雾方法，利用密度差异提取雾霾密度特征并利用其进行特征细化。通过生成相对较低整体密度的建议图像和提取去雾残差以检测局部密度差异，该方法在全局和局部上实现了对密度的感知，达到了超 - SAGE-NDVI: 一种利用卫星到地面 NDVI 知识进行遥感图像去雾的打破刻板印象的评估指标
本文提出一种基于植被指数差错的遥感图像去雾客观评价指标，在广泛的实验中，验证该指标可以适当地评估不同的去雾模型，并符合人类视觉感知。
- 混合结构块图像去雾网络 MixDehazeNet
本文提出一种称为 MixDehazeNet 的新型多结构图像去雾网络框架，其中包括多尺度并行大卷积核模块和增强型并行注意力模块，可有效解决现有方法在忽视多尺度属性和不充分考虑不均匀雾分布方面的问题，并在三个基准测试中进行了广泛实验验证。
- CVPR高分辨率图像去雾的全局局部特征组合器（SGLC）
本研究提出了 “简化的全局和局部特征组合器 (SGLC)” 来优化任何去雾模型在高分辨率图像上的应用，通过生成强有力的全局特征和增强局部特征细节来解决合并全局和局部特征的问题，并通过 PSNR 指标的显著增加来验证了该方法的有效性。