增强的Pix2pix去雾网络

8160增强的Pix2pix去雾网络Yanyun Qu1陈 一子1黄静英1谢元2，3†1福建省智慧城市感知与计算重点实验室厦门大学信息科学与工程学院2华东师范大学计算机科学与软件工程学院，上海，中国3南京高级人工智能研究所，地平线机器人，南京，中国yyqu@xmu.edu.cn，atavism@msn.cn，jyhuang33@outlook.com，yxie@sei.ecnu.edu.cn摘要本文将图像去雾问题归结为图像到图像的转换问题，提出了增强的Pix2pix去雾网络（EPDN），它不依赖于物理散射模型，生成无雾图像EPDN由生成对抗网络嵌入，该生成对抗网络之后是精心设计的增强器。受视觉感知全局优先[5]理论的启发，识别器引导生成器在粗略尺度上创建伪现实图像，而生成器之后的增强器需要在精细尺度上生成现实的去雾图像。增强器包含两个基于感受野模型的增强块，其在颜色和细节两方面增强去雾效果嵌入式GAN与增强器联合训练。在人工数据集和真实数据集上的实验结果表明，该方法在PSNR、SSIM、PI和主观视觉效果等方面均优于现有方法1. 介绍雾天是一种典型的大气现象，它会导致照相图像的颜色失真、模糊和对比度降低，给目标识别和图像理解等后续任务带来困难。因此，图像去雾技术受到了越来越多的关注。大 多 数 成 功 的 方 法 都 依 赖 于 物 理 散 射 模 型 [12][14]，其公式为：I（z）=J（z）t（z）+A（z）（1−t（z）），（1）*同等贡献†通讯作者(a) Haze（b）GFN(c)DCPDN（d）我们的图1.一个单一的图像去雾的例子。我们的方法产生了一个无雾的图像，具有忠实的颜色和丰富的细节，与GFN [16]和DCPDN [21]相一致。其中I是观察到的模糊图像，J是场景辐射度，t是透射图，A是大气光，z是像素位置。无雾图像的求解早期的去雾方法大多是基于先验的方法，例如DCP [7]，其通过调查暗信道先验来估计传输图。这些基于先验知识的方法在一定程度上可以取得较好的去雾效果。然而，在实际应用中，这种先验知识很容易被破坏，导致对透射图的估计不准确，从而导致去雾图像的质量不理想。随着深度学习的兴起，对透射图或大气光的估计不再依赖先验知识，而是通过卷积神经网络进行估计。一些方法利用深度卷积神经网络来估计透射图[3] [15]，一些方法利用深度卷积神经网络来联合估计大气光和8161[20]第23话。无论是早期的去雾方法还是现有的基于深度学习的去雾方法，都依赖于物理散射模型，大气光和透射图的估计精度对去雾图像的质量影响很大。为了将图像去雾从物理散射模型中解脱出来，我们尝试直接逐像素地将有雾图像转换为无雾图像。受生成对抗网络（GAN）在图像到图像翻译中的成功[9][19][24]的启发，我们将GAN与图像去雾结合起来。然而，由于图像雾是深度相关的噪声，且具有不均匀性，因此用于图像间转换的GAN不能直接应用于图像去雾直接应用会产生不理想的结果，这些结果是过度着色和缺乏细节。它被称为视觉感知全局优先理论[5]，一个物体或场景只以全局的方式被区分，不一定依赖于现实图像的细节，而现实图像的创建必须尽可能依赖于细节。在本文中，我们提出了增强的Pix2pix去雾网络（EPDN）。EPDN包括三个部分：区分器、生成器和增强器。EPDN中嵌入了GAN模块，GAN模块中包含生成器和中间件，中间件只负责监督EPDN的中间结果。发生器之后的增强器将增强GAN的输出，GAN是根据感受野模型设计据我们所知，EPDN是第一个根据视觉感知理论嵌入GAN进行图像去雾的工作。此外，对于所提出的架构，我们开发了一个联合训练计划，交替优化嵌入GAN（发生器和鉴别器）和发生器以及增强器。所提出的方法可以生成一个更真实的图像在色彩和细节方面图图1显示了我们方法的视觉与GFN [16]和DCPDN [21]相比，我们的方法实现了更真实的去雾效果，具有忠实的颜色和结构。此外，我们引入了感知指数（PI）来评价图像去雾的性能，包括峰值信噪比（PSNR）和结构相似度（SSIM）。众所周知，视觉效果是一个不便于计算的主观评价.PI可以通过模拟视觉感知来计算我们的工作贡献如下：1. EPDN算法不依赖于物理散射模型，采用图像间交替平移的方式进行图像去雾2. 受视觉感知的全局优先属性的启发，嵌入式GAN和增强器被设计为产生具有更多细节的感知愉悦的图像。3. 通过合理组合四种损失函数，提出了一种用于更新嵌入式GAN和增强器的联合训练方案。4. 引入感知指数（PI）从感知角度进行定量评价此外，在人工数据集和真实数据集上的大量实验表明，EPDN的性能优于现有的方法。特别是，我们的结果在视觉感知方面非常出色。2. 相关工作我们的工作涉及两个主题：单图像去雾和生成对抗网络，这在本节中简要讨论。单一图像去雾。大多数现有的去雾方法依赖于物理散射模型[12][14]当量(1)，分为两类：基于先验的方法和基于学习的方法。物理模型包含两个重要因素：透射图和大气光。努力估计这两个因素的解决方案的烟雾去除。基于先验的去雾。Tan等人[17]由于观察到无雾图像比有雾图像具有更高的对比度，所以建立了一个模型以最大化图像的对比度来进行图像去雾。He等人。 [7][8]提出了一种用于估计传输图的暗通道先验。Zhu等[25]通过颜色衰减先验恢复深度信息。Tang等人。 [18]系统地研究了回归框架中的各种雾度相关先验，以学习图像去雾的最佳先验组合。Dana Berman等人提出了一种模糊线先验。[1]，其假设无雾图像的颜色由几百种不同的颜色很好地近似。虽然基于先验的去雾方法取得了很好的效果，但先验对野外无约束环境的鲁棒性不强，因此去雾性能并不总是令人满意的。基于学习的去雾。与基于先验的方法不同，基于学习的方法直接估计透射图或大气光，而不是依赖于先验。Cai等人。 [3]提出了一 种基于卷积神经 网络（CNN）的端到端去雾模型，Ren等人。 [15]提出了一种多尺度深度模型来估计传输图。Li等人 [10]重新制定了物理散射模型，并设计了AOD-Net来学习基于CNN的映射函数。Ren等人[16]使用了一个编码器-解码器网络，并采用了一种新的基于融合的策略，直接从模糊的图像恢复清晰的图像。生成对抗网络（GANs）。近年来，GAN取得了很大的进展[6]。GAN包括两个8162部件：整流器和发电机。它们以对抗的方式同时训练，以便生成器可以产生混淆辨别器的逼真图像GAN被广泛应用于许多计算机视觉应用中。特别是，GAN在图像合成方面取得了可喜的成果[9] [19] [24]。受GAN成功的启发，我们将其用于图像去雾。DCPDN[21]将GAN应用于图像去雾，通过优化无雾图像的最终去雾性能，在生成器中同时学习透射图和大气光Yang等人。 [20]提出了使用非配对监督的解纠缠去噪网络。Yang等人提出的GAN [20]包含三个生成器：用于无雾图像的生成器、用于大气光的生成器和用于透射图的生成器。DehazeGAN [23]从差分编程中吸取了经验教训，使用GAN同时估计大气光和透射图。GAN与图像去雾的联姻还处于起步阶段。目前的GAN除雾方法都依赖于物理散射模型。到目前为止，很少有人讨论如何处理图像去雾独立的物理散射模型。如引言中所讨论的，通过GAN研究无模型去雾方法是有3. 该方法3.1. EPDN的体系结构在本文中，我们投单图像去雾问题的图像到图像的翻译任务。模糊图像和无模糊图像被认为是两种不同的图像风格。EPDN的框架如图所示该算法由多分辨率生成器模块、增强器模块和多尺度滤波器模块组成。类似于pix2pixHD [19]的GAN架构嵌入EPDN中该增强器包含两个精心设计的增强块，每个增强块都是根据感受野模型构建的。并采用了镜头剪切在下文中，我们详细介绍EPDN的架构。多分辨率生成器。GAN模块的多分辨率生成器由全局子生成器G1和局部子生成器G2组成。2.G1和G2都包括一个卷积前端、三个残差块和一个转置卷积后端。G1的输入是从原始模糊图像中进行的2倍将G1嵌入到G2中，并将G1的输出与由G2的卷积前端获得的特征图的逐元素和馈送到G2的残差块中。多分辨率结构已被证明是成功的图像到图像的翻译。全局子生成器在粗略尺度上创建图像，而局部子生成器在精细尺度上创建图像还有那个...两个子发生器的合并产生从粗到细的图像。多尺度鉴别器。嵌入式GAN模块包含一个多尺度的鉴别器模块，该模块包含两个尺度的鉴别器，分别命名为D1和D2。D1和D2具有相同的架构，D2的输入从D1的输入进行2倍下采样。发电机的输出送入D1。多尺度鉴别器可以引导发生器由粗到细。一方面，D2引导生成器在粗尺度上生成全局伪另一方面，D1在精细尺度上引导发生器。增强块即使pix2pixHD 利用由粗到细的特征，仅从pix2pixHD获得的结果仍然缺乏细节并且被过度着色。一个可能的原因是，现有的生成器在引导生成器创建逼真的细节方面受到限制。换句话说，重建应该仅仅指导生成者恢复结构信息而不是细节。为了有效地解决这个问题，实现了金字塔池块[21][22]，以确保来自不同尺度的特征的细节嵌入到最终结果中。我们称之为增强块。借鉴对象识别中的全局上下文信息，需要各种尺度的特征细节。因此，增强块是根据接收场模型设计的，可以提取不同尺度的信息。增强块如图所示。3.详细地，在增强块中存在两个3×3前端卷积层。前端卷积层的输出按4×、8×、16×、32×的因子进行下采样，以构建四尺度金字塔。不同尺度上的特征图提供不同的感受野，这有助于在各种尺度上重建图像然后进行1×1卷积降维。实际上，1×1卷积体现了自适应加权信道的注意机制.之后，我们将特征映射上采样到原始大小，并将它们与前端卷积层的输出连接在一起。最后，在特征图的拼接上实现3×3卷积在EPDN中，增强器包括两个增强块。此外，第一增强块由原始图像和也被馈送到第二增强块的生成器的特征图的关联馈送。3.2. 总损失函数为了优化EPDN，我们利用四个损失函数作为Eq.（2）、对抗性损失LA、特征匹配损失LFM、感知损失LVGG和保真度损失LF。利用对抗损失和特征匹配损失，使GAN模块学习全局信息，并利用多个特征恢复原始图像结构8163∼[D（）（X）−D（）K图2.EPDN的体系结构EPDN包括三个部分：多分辨率生成器，即 G1和G2，多尺度判别器，即.D1和D2，还有增强子.k，它被公式化为，∼ ∼图3.增强块A（G，Dk）=E（X）[logDk（X）]+E（X）[log（1-Dk（G（X（四）并且X和X2表示真实无雾图像和雾图像。∼年龄G（X）表示发生器产生的输出GAN模块的结果，而不是EPDN的最终结果特征匹配损失。为了使图像具有真实感，通过引入基于特征匹配的损失来改善对抗性损失。我们利用这种损失使生成器产生自然的多尺度统计信息。学习中间特征图以在真实图像和合成图像之间进行匹配。特征匹配损失函数被公式化为尺度特征感知损失和保真度损失被用来增强精细特征并保持原始颜色信息。为了简化模型，将特征匹配损失和感知损失的系数设置为LFM= min[G∼Σk=1， 2∼M（G，Dk）]。（五）一样的L EP=L A+λL FM+λL VGG+ L F。（二）M（G，Dk）是与第k个判别器Dk的特征匹配损失.电子邮件*M（G，Dk）=E（X）伊伊（G（X））（1）]、（6）KK对抗性损失。 我们采用GAN的对抗性损失。初始化生成器以将模糊图像转换为无雾图像，而模糊度的目的是区分图像是真实的还是虚假的。考虑到存在双尺度鉴别器D1、D2，将对抗损失表示为多任务学习损失i=1Ni其中T是用于特征提取的层的总数，Ni是每层中的元素的数量，D（i）是Dk中第i层的特征提取的算子。感知损失。 为了保持知觉和自我-LA= min[maxD1，D2G∼Σ∼（G，Dk）]，（3）k=1， 2听觉保真度，我们使用知觉损失函数来衡量模糊图像与其相对的去模糊图像之间的高水平差异。基于预训练的VGGNet图像分类，我们提取了i-其中，VGA（G，Dk）是VGGNet的第k层的单对抗损失，由φi（）表示，其被处理8164as the perceptual知觉feature特征.我们使用像素距离来衡量模糊和去雾图像的感知特征之间的差异。感知损失函数如下表1.消融研究设置。Lφ，i（Y，X）= 1<$ φ（Y）−φ（X）<$， （7）V千兆克CiHiWi ii i1其中，Y是EPDN的最终结果。Hi和Wi是第i个特征图的高度和宽度，Ci表示通道。失去忠诚。 雾之间的欧几里得距离自由图像X和最终输出Y的失真被记为保真度损失，其被定义为LF=2.（八）表2.在SOTS的户外数据集上比较具有不同组分的变体3.3. 培训算法1：EPDN训练算法输入：nb←批量大小;λ←超参数;1fornum= 1;num≤trainingiterationsdo2个样品雾度实例X={X=（1），.，intn=nums（nums）;保真度损失方程（八）、我们将该算法概括为算法1.与原始GAN训练方案不同，我们的生成器分别用DIS更新两次3个样本清洁示例X={x∼（一）、...、X（nb）};犯罪者和enchancer，满足全球第一理论4M←G（X<$），多分辨率的输出发电机;5Y<$EP（X<$），EPDN的输出6Mk←2k−1次下采样（M）;7Xk←2k−1次下采样（X）;8，k=1，2 do9通过递增来更新鉴别器DkEq.的梯度（3）;∼10更新多分辨率生成器（G），下降Eq.的和的梯度。（3）和方程（5）;∼11更新G和增强器，方程之和的梯度(7)和等式（8）;由于GAN只是整个EPDN体系结构的一部分，我们不能直接在EPDN上实现GAN的训练方案。我们制定了一个新的培训计划。我们采用交替迭代算法。首先，GAN架构优化与对抗损失函数Eq。（3）和特征匹配损失函数Eq.（五）、详细地说，我们首先通过提高梯度来更新多尺度滤波器，然后通过降低梯度来更新多分辨率生成器。其次，通过降低感知损失和的梯度，优化增强器（7）和4. 实验在本节中，我们将在合成数据集和真实数据集上实现所提出的方法以证明所提出的方法的有效性。我们将我们提出的方法与五种最先进的方法进行比较：DCP [7] （ He CVPR ' 09 ） ， DehazeNet [3] （ CaiTIP'16 ） ， AOD-Net [10] （ Li ICCV' 17 ） ， GFN [16]（Ren CVPR' 18）和DCPDN [21]（Zhang CVPR' 18）。为比较的公平性，比较方法的源代码由作者公开提供。此外，我们做了一个消融研究，以证明我们的嵌入GAN和增强块的有效性。4.1. 实验设置数据集。RESIDE [11]是一个新的大规模模糊图像数据集，它由五个子集组成：室内训练集（ITS）、室外训练集（OTS）、综合客观测试集（SOTS）、真实世界 任 务 驱 动 测 试 集 （ RTTS ） 和 混 合 主 观 测 试 集（HSTS）。其中ITS、OTS、SOTS是人工合成的数据集，RTTS是真实世界的数据集，HSTS中既有人工合成的数据，也有真实世界的模糊数据一方面，我们分别使用包含室内和室外模糊图像的ITS和SOTS进行训练和测试。另一方面，我们收集了真实世界的图像，方法增强块短程嵌入式GAN+E1-CGAN+E+S1CCGAN+EE2-CGAN+2C-GAN0--我们2CC方法PSNRSSIMPiGAN+E20.560.75533.2394GAN+E+S18.660.76362.2374GAN+EE21.470.79923.1153GAN+21.730.87162.556GAN20.780.74552.7397我们22.570.86302.38588165表3.SOTS上最先进的除雾方法的比较结果方法DCP [7]DehazeNet [3]AOD-NET [10]DCPDN [21]GFN [16]我们室内PSNR16.6221.1419.0615.8522.3025.06SSIM0.81790.84720.85040.81750.88000.9232Pi3.95354.04583.69614.74854.11464.0620户外PSNR19.1322.4620.2919.9321.5522.57SSIM0.81480.85140.87650.84490.84440.8630Pi2.50612.43462.42802.72692.16082.3858输入GAN+E GAN+E+ S GAN+EE GAN+GAN Ours GT图4.具有不同组件的变体在户外图像上的视觉效果的比较结果以前的方法，并将我们的方法与该数据集上的最新方法进行比较。培训详情。在训练过程中，ITS被用作训练数据集，该训练数据集也被用作比较方法的训练数据集我们采用Adam优化器，批量大小为1，并将学习率设置为0。0002，指数衰减率为（β1，β2）=（0. 6，0。999）。超-损失函数的参数设为λ = 10。 我们实施我们的模型使用PyTorch框架和TITAN GPU。质量措施。为了评估我们的方法的性能，我们采用三个度量：峰值信噪比（PSNR）、结构相似性指数（SSIM）和感知指数（PI）。图像质量评价是图像复原的重要环节。它包括客观测量和主观测量。对于前者，PSNR和SSIM通常用于图像去雾。对于后者，采用视觉效果来评价图像去雾效果。然而，它不便于用于图像合格性评价。PI是一种将视觉效果与可计算性指标联系起来的新的评价标准。它被认为是有效的图像超分辨率[2]。在实验中，我们使用PI来评估图像去雾的性能图像质量越低PI被配制为PI=1（（10−Ma）+NIQE），2其中Ma和NIQE是两个图像质量指标，详见[4]和[13]。4.2. 消融研究为了更好地证明我们的方法架构的有效性，我们通过考虑四个因素的组合进行消融研究：GAN，一个增强块，两个增强块和捷径跳过。我们用不同的组件组合构建以下变体：1）GAN：仅使用pix 2 pixHD [19];2）GAN+E：仅一个增强块跟随嵌入pix 2 pixHD; 3）GAN+E+S：变体GAN+E组合了将原始图像连接到增强器的捷径跳过; 4）GAN+EE：两个增强块跟随嵌入pix2 pixHD; 5）GAN+：整个架构是GAN，其中整个生成器是pix 2 pixHD的生成器和两个增强块的组合，并且短杯跳跃将原始图像连接到第一增强块。消融配置见表。1.一、在SOTS的室外数据集上，我们将EPDN与具有不同组分的五种变体进行了结果示于表中。图2和图4。实验结果表明，该算法在PSNR和SSIM两个方面均取得了最佳的图像去雾效果，并具有最佳的视觉效果。与pix2pixHD [19]相比，8166输入DCP [7] DehazeNet [3] AOD-Net [10] DCPDN [21]GFN [16]我们的GT图5. SOTS上最先进的除雾方法的比较。上面三行显示室外图像的去雾结果，下面三行显示室内图像的去雾结果。价格指数：2.2518价格指数：1.9735价格指数：2.002价格指数：2.4211价格指数：1.7300价格指数：1.8513PI：2.4675 PI：2.2955 PI：2.7286 PI：2.9415 PI：1.8820 PI：2.2123价格指数：3.9853价格指数：3.0106价格指数：3.1469价格指数：2.9118价格指数：3.0304价格指数：2.9904[10]第七届中国国际石油天然气工业展览会[21]图6.在真实数据集上比较最先进的去雾方法。第一行和第三行中的图像是第二行中红框的特写。PI显示在每个图像的顶部。PSNR和SSIM为2。02 dB和0. 11，这表明EPDN优于pix2pixHD。GAN+E+S是消融研究变体中最差的，因为通过捷径跳过的模糊图像在发生器的输出上增加了更多噪声。GAN+优于GAN+E+S，导致两个增强块比一个增强块更有效地去雾。我们还比较了有和没有捷径跳跃的变体，并观察到有捷径跳跃的变体比没有捷径跳跃的变体在PI中更好，因为原始图像的重新输入保持了信念-8167色彩与细节EPDN和GAN+的性能相当，但EPDN在三个指标中的两个指标上优于GAN+从图4中，我们观察到所提出的EPDN实现了最接近地面实况的结果虽然GAN+在PSNR和SSIM上达到了与我们相似的性能，但它GAN+明显被过度着色。此外，在没有捷径跳过的情况下，去雾结果在第一行结果中看起来稍微暗一些，这证明了捷径跳过的有效性。这些烧蚀研究表明，增强块，捷径跳过，和嵌入式结构是有效的图像去雾。4.3. 与现有技术方法的合成数据集的结果。 比较结果如表所示。其中数字值是SOTS结果在PSNR、SSIM和PI方面的平均值。实验结果表明，EPDN在SOTS室内数据集上的去雾效果在PSNR和SSIM两个方面都是最好的，突破增益为2。76 dB的PSNR和0. 0432与第二位方法GFN [16]进行了比较。在SOTS室外数据集上，EPDN的PSNR性能最好，在SSIM和PI中排名第二。GFN [16]的PSNR排名第二，PI排名第一。最好和第二好之间的距离是0。11dB和0. 01，这是小于室内数据的对应距离。图5给出了视觉效果的比较，其中室外数据的比较结果示于上三行，室内数据的比较结果示于下三行。观察到在去雾图像中仍然存在一些雾度。DCP [7]遭受颜色失真，其中结果通常比地面真实图像更暗。DCPDN [21]也遭受颜色失真，并且在细节恢复中失败。GFN [16]中丢失了大部分颜色信息，同时产生了一些伪影。EPDN使去雾图像看起来更像地面实况图像。此外，我们的模型在细节恢复方面明显优于上述方法，在定性和定量上都改善了去雾真实世界数据集上的结果。图6示出了真实模糊图像上的视觉效果的对比结果。据观察：1）虽然所提出的EPDN是在合成数据上训练的，但它仍然在真实世界数据集上获得了理想的去雾结果，这表明了EPDN的鲁棒性。2) DCP [7]会导致天空区域的颜色失真，并且会出现模糊。DehazeNet [3]和AOD-Net [10]不能有效地去除霾DCPDN [21]和GFN [16]可以(a) 投入（b）我们的（c）GT图7.严重模糊场景的去雾示例当原始输入中的雾度非常厚时，我们的方法不够鲁棒不能有效地去除严重模糊场景中的模糊。3)我们的方法在PI方面与那些最先进的方法相当，并达到最佳的视觉效果。比较五个国家的最先进的方法的结果，可以看出，我们的结果（EPDN）是优越的视觉效果和定量标准。4.4. 限制我们的方法是不是很强大的严重模糊的场景。如图7、雾度较重的物体边缘不能自然恢复。这个限制可以通过在我们的网络中应用更多的增强块来解决。5. 结论在本文中，我们提出了增强型Pix2pix去雾网络（EPDN），它不依赖于传输图和大气光的估计我们将图像去雾问题转化为图像到图像的转换问题。借鉴视觉感知的全局优先[5]理论，我们在我们的架构中嵌入了GAN，后面是两个精心设计的增强块，并且该增强块仅指导多分辨率生成器的输出。在合成数据集和真实数据集上的实验结果表明，该方法在定量和定性评价上均取得了较好的图像去雾特别是它保持了忠实的颜色和结构。6. 确认本 工 作 得 到 国 家 自 然 科 学 基 金 项 目 61876161 、61772524和U1065252的资助，北京市自然科学基金项目4182067的部分资助。8168引用[1] Dana Berman，Shai Avidan，等.非局部图像去雾。在IEEE计算机视觉和模式识别会议论文集，第1674-1682页[2] Yochai Blau 、 Roey Mechrez 、 Radu Timofte 、 TomerMichaeli和Lihi Zelnik-Manor。2018年感知图像超分辨率挑战赛arXiv预印本arXiv：1809.07517，2018。[3] 崔家春梅，陶博伦，蔡大成，徐祥民. Dehazenet：一种用于去除单个图像雾的端到端系统。IEEE Transactionson Image Processing，25（11）：5187[4] 小康杨明宣杨超马，杨致远.学习用于单图像超分辨率的无参考质量度量。计算机视觉和图像理解，2017年。[5] 林晨。知觉组织的拓扑学方法。Visual Cognition，12（4）：553[6] 伊恩·古德费洛、让·普盖特-阿巴迪、迈赫迪·米尔扎、许冰、大卫·沃德-法利、谢尔吉尔·奥扎尔、阿伦·库维尔和约舒亚·本吉奥。生成性对抗网。 在神经信息处理系统的进展，第2672[7] 何开明，孙建，唐晓鸥。使用暗通道前去除单个图像雾度。在IEEE计算机视觉和模式识别会议（CVPR），第1956-1963页[8] 何开明，孙建，唐晓鸥。使用暗通道前去除单个图像IEEE Trans Pattern Anal Mach Intell，33（12）：2341[9] Phillip Isola，Jun-Yan Zhu，Tinghui Zhou，and Alexei AEfros.使用条件对抗网络的图像到图像翻译。在IEEE计算机视觉和模式识别会议论文集，第1125-1134页，2017年。[10] Boyi Li，Xiulian Peng，Zhangyang Wang，Jizheng Xu，and Dan Feng. AOD-net：一体化去雾网络。在IEEE计算机视觉国际会议上，第4780- 4788页[11] Boyi Li，Wenqi Ren，Dengpan Fu，Dacheng Tao，DanFeng，Wenjun Zeng，and Zhangyang Wang.对单图像去雾及其他方面进行基准测试。IEEE Transactions onImage Processing，28（1）：492[12] 厄尔·J·麦卡特尼。大气层光学：分子和粒子的散射。纽约，约翰威利父子公司，1976. 421页，1976年。[13] Anish Mittal、Rajiv Soundararajan和Alan C Bovik。制作“完全盲”图像质量分析仪。IEEE Sign-nal ProcessingLetters，20（3）：209[14] Srinivasa G Narasimhan和Shree K Nayar。视觉和氛围。国际计算机视觉杂志，48（3）：233[15] Wenqi Ren，Si Liu，Hua Zhang，Jinshan Pan，XiaoxunCao，and Ming-Hsuan Yang.基于多尺度卷积神经网络的单图像去雾。欧洲计算机视觉会议，第154-169页施普林格，2016年。[16] Wenqi Ren ， Lin Ma ， Jiawei Zhang ， Jinshan Pan ，Xiaoxun Cao，Wei Liu，and Ming-Hsuan Yang.基于选通融合网络的单幅图像去雾。在IEEE计算机视觉和模式识别会议，2018。[17] 罗比·T Tan.在恶劣天气下从一幅图像可见度。在IEEE计算机视觉和模式识别会议（CVPR）中，第1-8页[18] Ketan Tang，Jianchao Yang，and Jue Wang.在图像去雾的学习框架中研究雾度相关特征在IEEE计算机视觉和模式识别集，第2995-3000页[19] Ting-Chun Wang，Ming-Yu Liu，Jun-Yan Zhu，AndrewTao，Jan Kautz，and Bryan Catanzaro.用条件gans实现高分辨率图像在IEEE计算机视觉和模式识别会议，2018年。[20] 杨希彤，郑旭，罗杰波。通过基于物理的解纠缠和对抗训练实现虚拟图像去雾。在AAAI，2018。[21] He Zhang和Vishal M Patel.密集连接的金字塔式除雾网络。在IEEE计算机视觉和模式识别会议（CVPR），2018。[22] Hengshuang Zhao ， Jianping Shi ， Xiaojuan Qi ，Xiaogang Wang，and Jiaya Jia.金字塔场景解析网络。在IEEE计算机视觉和模式识别会议中，第6230-6239页[23] Hongyuan Zhu ， Xi Peng ，Vijay Jumrasekhar ， LiyuanLi，and Joo-Hwee Lim. Dehazegan：当图像去雾遇到差分编程。在IJCAI，第1234[24] Jun-Yan Zhu ， Taesung Park ， Phillip Isola ， Alexei AEfros.使用循环一致对抗网络的不成对图像到图像翻译。arXiv预印本，2017年。[25] 朱青松，麦家明，凌少。基于颜色衰减先验的单幅图像快 速 去 雾 算 法 。 IEEE Transactions on ImageProcessing，24（11）：3522