An All-in-One Network for Dehazing and Beyond（图像去雾2017）_aodnet图像去雾只能去非实雾吗-CSDN博客

本文链接：https://blog.csdn.net/change_lkl/article/details/125745983

本文介绍了一种使用卷积神经网络（CNN）构建的一体化去雾网络（AOD网），该网络基于大气散射模型并直接从模糊图像生成清晰图像。AOD网避免了传输矩阵和大气光的单独估计，通过轻量级CNN进行端到端训练。研究了去雾质量对后续高级视觉任务的影响，并且可以与其他深度模型结合，以提高模糊图像处理的性能。网络设计包括K-估计模块和清晰图像生成模块，实现了高效和准确的去雾效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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)= $e^{-\beta d(x))}$ ࿰