- 并行交叉剥离注意力网络用于单幅图像去雾
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 - 无关深度的单幅图像去雾
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。
- 基于区域饱和度 - 值转换和软分割的雾霾去除
该研究提出了一种称为区域饱和度 - 值转换（RSVT）的单图像去雾先验，以解决常规去雾方法在亮区域中引起的色彩失真问题。通过将软分割掩模与 RSVT 先验相结合，在各种合成和真实模糊图像数据集上进行的实验证明该方案成功解决了色彩失真问题，并 - CVPR针对物理感知的单张图像去雾的课程对比正则化
本研究提出了一种新的课程对比正则化方法，可应用于单幅图像去雾，通过从不同方法的恢复结果和雾图像中选取负样本，获得更好的下界约束。利用基于物理的双分支单元改进特征空间的可解释性，提出了一种名为 C2PNet 的去雾神经网络，该网络在 SOTS - MM从合成到真实：与未标记的真实数据协作的图像去雾
我们提出了一种新的图像去雾框架，该框架与未标记的实际数据协作，同时开发了一个解缠积网络（DID-Net）和解缠一致性 mean-teacher 网络（DMT-Net），并使用一致性损失函数在未标记的实际数据上优化性能，实验结果表明我们的方法 - CVPR紧凑型单图像去雾的对比学习
本文提出了一种对比正则化方法，用于将雾图像和清晰图像用作负样本和正样本，从而更好地训练去雾网络。同时，提出了一种基于自动编码器 (AE) 框架的紧凑型去雾网络，命名为 AECR-Net，得到了比现有方法更好的效果。
- 高效准确的多尺度拓扑网络用于单幅图像去雾
本文提出了一种基于多尺度拓扑网络、多尺度特征融合和自适应特征选择的方法，来实现单张图像去雾任务，并进行了大量实验验证其与现有研究方法的优越性。
- MM一种基于 GAN 的单幅图像去雾输入尺寸灵活性模型
本文提出了一种基于生成对抗网络的图像翻译方法，用于单幅图像去雾。该方法主要是采用了新的凝视 - 命题残差网络，以及基于多损失函数的条件生成对抗网络。实验结果表明该方法能够有效地去除图片中的雾霾，并具有较高的效率。
- 使用排序卷积神经网络实现单张图像去雾
本文提出了一种新的 Ranking Convolutional Neural Network （Ranking-CNN）模型，通过支持新颖的 ranking layer 实现了对大规模雾图像块的自动特征学习，从而有效地去除雾霾，优于现有多种 - ICCV基于注意力机制的多尺度网格去雾网络
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 - FAMED-Net: 一个快速精确的多尺度端到端除雾网络
本文介绍了一种快速准确的多尺度端到端去雾网络 FAMED-Net，该网络采用三种规模的编码器和融合模块，通过级联、密集连接的点卷积层和池化层实现图像去雾，实验证明其在计算效率、恢复精度及跨集泛化方面具有卓越性能。
- 无监督使用暗通道先验损失的单张图像除雾
本文提出一种完全无监督的将实际户外图像用于深度学习的单张图像去雾方法，该方法利用先前研究中广泛使用的暗通道先验能量函数进行训练，提高了结果的质量，并与大规模监督方法相当。
- 逐层特征融合网络用于逼真图像去雾
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 - 学习去雾及进一步改进的技术：集体研究
此研究旨在探索基于最近发布的真实单张图像去雾 (RESIDE) 基准数据集的相关但重要的两项任务：(i) 将单张图像去雾作为低级图像恢复问题；以及 (ii) 雾化图像的高级视觉理解（例如目标检测）。在第一个任务中，我们研究了各种损失函数，并 - CVPRCycle-Dehaze: 增强版 CycleGAN 用于单张图像去雾
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 - 实例归一化的有效性：用于单幅图像去雾的强基准线
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。
- 单幅图像去雾及深度学习评估
本文使用 RESIDE 数据集，对现有的单幅图像去雾算法进行了全面的研究和评估，提出了丰富的评价指标从多个角度进行度量，并通过实验比较了现有算法的优缺点，探索了未来的研究方向。
- 学习聚合传输传播网络以实现雾霾去除及拓展
本文设计了一种新的残差结构来整合先验信息和数据信息，以便在单幅图像去雾、水下图像增强和单幅图像去雨等挑战性视觉任务中取得更好的效果。实验结果证明该方法的有效性和高效性。