真实场景的抗干扰和细节增强去雾网络

雾霾现象严重干扰图像采集，降低图像质量。由于许多不确定因素，去雾通常是图像处理中的一个挑战。现有的基于深度学习的去雾方法应用大气散射模型(ASM)，该模型最初来自传统的去雾方法。

但是，由于三个原因，深度学习训练的数据集与该模型匹配度不高。首先，ASM中的大气光照是根据先前的经验获得的，这对于真实场景的去雾并不准确。其次，ASM很难获取室外场景的深度。第三，雾霾是一种复杂的自然现象，很难找到准确的物理模型和相关参数来描述这种现象。

为了应对这一挑战，何发志领导的研究团队在计算机科学前沿发表了他们的新研究。

该团队提出了一种黑盒方法，其中将雾度视为图像质量问题，而无需使用任何物理模型(例如ASM)。在分析上，该团队提出了一个新的去雾方程来结合两种机制：干扰项和细节增强项。干扰项估计去雾图像的雾度信息，然后细节增强项可以修复和增强去雾图像的细节。

基于新方程，设计了一种抗干扰和细节增强去雾网络(AIDEDNet)，它与现有去雾网络的显着不同在于所提出的网络被输入到无雾图像中进行训练。具体来说，提出了一种在网络训练飞行中构建雾霾补丁的新方法。补丁是从输入图像中随机选择的，雾度的厚度也是随机设置的。

未来至少会探索四个方向。第一个是用多尺度和多特征的卷积网络进一步改进所提出的方法。第二个是将所提出的方法应用于其他图像处理领域，如图像去训练、图像去噪和恢复。第三个是将所提出的方法扩展到处理视频去雾。第四个是将提出的想法和方法扩展到3D数据。