An All-in-One Network for Dehazing and Beyond（图像去雾2017）

摘要

本文提出了一种用卷积神经网络(CNN)构建的图像去雾模型，称为一体化去雾网络(AOD网)。它是基于一个重构的大气散射模型设计的。AOD网络没有像大多数以前的模型那样分别估计传输矩阵和大气光，而是通过一个轻量级的CNN直接生成清晰的图像。这种新颖的端到端设计使得很容易将AOD网络嵌入到其他深度模型中，例如，更快的R-CNN，以提高模糊图像的高级任务性能。

本文贡献

（1）我们首先提出了一个端到端的可训练去雾模型，该模型直接从模糊图像产生干净的图像，而不依赖于任何单独的和中间的参数估计步骤1。.AOD网络是基于重新制定的大气散射模型设计的，物理模型可以用一种“更加端到端”的方式来表述，所有的参数都在一个统一的模型中进行估计。

（2）我们首次定量研究去雾质量如何影响后续的高级视觉任务，这为比较去雾结果提供了一个新的客观标准。此外，AOD网络可以与其他深度模型无缝嵌入，以构成一个管道，通过隐式去雾过程对模糊图像执行高级任务。由于我们独特的一体化设计，这种管道可以端到端地联合调整，以进一步提高性能。

AOD网:一体化去雾模式

物理模型和转换公式

大气散射模型

I(x)= J(x)t(x)+A(1-t(x))   （1）

I(x)是有雾图像，J(x)是待恢复无雾图像 A是全球大气光，t(x)是传输矩阵

t(x)=   （2）

β是大气的散射系数，d(x)是物体与相机之间的距离

把（1）式改写为

本文的核心思想将两个参数tA统一成一个公式，即(4)中的K(x)，直接用来最小化重构损失，为此,( 3)中的公式被重新表示为下面的变换公式:

网络设计 

所提出的AOD网络由两个模块组成:K-估计模块，它根据输入I(x)估计K(x ),接着是一个干净图像生成模块，它利用K(x)作为其输入自适应参数来估计J(x)。

k估计模块是AOD网络的关键组成部分，负责估计深度和相对霾水平。如图4 (b)所示，我们使用五个卷积层，通过融合不同大小的滤波器形成多尺度特征。

AOD中“concat1”层将“conv1”和“conv2”层的功能连接起来。类似地，“concat2”连接来自“conv2”和“conv3”的那些；“concat3”连接来自“conv1”、“conv2”、“conv3”和“conv4”的那些。这种多尺度设计在不同尺度上捕捉特征，并且中间连接也补偿卷积期间的信息损失。值得注意的是，AOD网络的每个卷积层仅使用三个滤波器。因此，与现有的深度方法相比，AOD网的重量要轻得多。在k-估计模块之后，清晰图像生成模块包括一个逐元素乘法层和几个逐元素加法层，以便通过计算(4)生成恢复图像。

本文关键思想就是把t(x)和A放到K(x)中进行联合估计。然后根据估计出的K(x)就可以依据变化的公式生成干净图像。