图像去雾算法_用深度学习做图像去雾的方法总结

图像去雾的目的是消除雾霾环境对图像质量的影响，增加图像的可视度，是图像处理和计算机视觉领域共同关切的前沿课题，吸引了国内外研究人员的广泛关注。

其方法主要可以分为两种，一种是基于大气退化模型，利用神经网络对模型中的参数进行估计，早期的方法大多数是基于这种思想的；另一种是利用输入的有雾图像，直接输出得到去雾后的图像。目前最新的去雾方法更倾向于后者。

在本部分，将对近三年具有代表性的一些基于神经网络的图像去雾方法进行列出，便于大家查找。

【1】DehazeNet: An End-to-End System for Single Image Haze Removal 华南理工大学 16 TIP

它是一种端到端的训练模型，利用神经网络来对大气退化模型中的t(x)进行估计。模型输入雾图，输出传输率t(x)映射图，然后通过大气退化模型来恢复无雾图像。采用深度CNN结构（4层），并提出了一种新的非线性激活函数。提高了恢复图像的质量。作者：lishuoshi1996

【2】All-in-One Network for Dehazing and Beyond Boyi Li 2017 ICCV

本文并没有单独估计t（x）和大气光A，而是通过轻量级的CNN直接生成清晰的图像，这种端到端的设计使得其可以嵌入到其他的模型中，比如说物体检测faster-RCN