摘要：本文提出了一种基于 GAN 的无监督去雾算法来缓解这个问题。 建立了一个基于 GAN 架构的端到端网络，并提供了未配对的干净和朦胧图像，这意味着不需要估计大气光和传输。 所提出的网络由三部分组成：生成器、全局测试鉴别器和局部上下文鉴别器。 此外，应用基于暗通道先验的注意机制来处理不一致的雾度。 使用RESIDE 数据集进行实验。 大量实验证明了所提出方法的有效性，该方法在很大程度上优于以前最

概念：图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。根据分割目的，可划分为以下三种：普通分割将不同分属不同物体的像素区域分开。如前景与后景分割开，狗的区域与猫的区域与背景分割开。语义分割在普通分割的基础上，分类出每一块区域的语义（即

概述在本文中，提出了一种新的基于对比学习的对比正则化(CR)方法，将模糊图像和清晰图像的信息分别作为负样本和正样本来利用。CR保证了恢复后的图像在表示空间中向清晰图像拉近，向远离模糊图像的方向推远。此外，考虑到性能和内存存储的权衡，本文开发了一个紧凑的基于类自动编码器(AE)框架的去雾网络。该算法采用自适应混合操作和动态特征增强模块，分别通过自适应保持信息流和扩展接收域来提高网络的转换能力。主要贡