DehazeNet: An End-to-End System for Single ImageHaze Removal（图像去雾2016）

摘要：

在这篇文章中，提出了一个可训练的端到端系统称为DehazeNet，用于介质传输估计。DehazeNet将一幅有雾的图像作为输入，输出其介质透射图，然后通过大气散射模型恢复出一幅无雾的图像。DehazeNet采用基于卷积神经网络(CNN)的深度架构，其层是专门设计来体现图像去雾中的既定假设/先验。具体来说，Maxout单元层用于特征提取，可以生成几乎所有的与雾向光的特征。我们还在去雾网中提出了一种新的非线性激活函数，称为双边校正线性单元(BReLU ),它能够提高恢复的无雾图像的质量。在提出的去雾网的组件和现有方法中使用的组件之间建立联系。

本文贡献：

（1）DehazeNet是一个端到端的系统。它直接学习和估计模糊图像块与其介质传输之间的映射关系。这是通过其深层架构的特殊设计来实现的，以体现既定的图像去雾原则。

（2）我们在DehazeNet中提出了一种新的非线性激活函数，称为双边校正线性单元1(BReLU)。BReLU扩展了校正线性单元(ReLU ),并证明了它在获得精确图像恢复中的重要性。在技术上，BReLU使用双边约束来减少搜索空间和提高收敛性。

（3）我们建立了去雾网的组件与现有去雾方法中使用的那些假设/先验之间的联系，并解释了去雾网通过端到端自动学习所有这些组件来改进这些方法

related work

大气散射模型

I(x)是观测到的朦胧图像，J(x)是要复原的真实场景，t(x)是介质透射，α是全球大气光

 d(x)是场景点到摄像机的距离，β是大气的散射系数

 d(x)趋于无穷大时，t(x)趋近于零

全局大气光的估计

相关工作

暗通道:

暗通道先验是基于对室外无霾图像的广泛观察。在大多数无霾色块中，至少一个颜色通道具有一些亮度值非常低甚至接近于零的像素。暗通道[9]定义为局部区域中所有像素颜色的最小值: