ICCV 2019 去雾论文《Deep Multi-Model Fusion for Single-Image Dehazing》

Introduction
去雾算法过去的常见的模型是大气散射(atmospheric scattering)模型：
$I(p)=J(p)\times T(p)+A(p)\times (1-T(p))$
$I$是输入的含雾的图像； $J$是所需要的没有雾的图像；$T$是传输图(trasmission map),传输地图，其表示影响光的到达照相机传感器的距离相关的分量；$A$是全局的大气散射图，代表着环境的光强度。
深度学习方法：可视为layer separation model，分成无雾层和有雾层：
$I=\Phi (J,H)$
主要贡献点：
1、把上述两个模型融合用于提高去雾的性能
2、基于注意力机制的多尺度融合模块(attentional multi-level integrated feature, AMLIF)

DM${}^2$F-Net将大气散射模型和layer seperation模型融合成新的去雾模型。
作者认为，浅层的特征可获取更多的背景信息，但无法处理被雾损伤的non-haze 细节。
深层的特征可以用来获得语义信息来去除输入图像的haze信息，但由于感受野太大，会缺少haze-free的信息。
AFIM先获得Attention Weights ${\Omega }_x=$Softmax ( σ ( Θ ∗ M L