本文提出了一种高效的单幅图像去雾方法gUNet，通过系统性的消融实验揭示了影响去雾性能的关键因素。gUNet采用7级U-Net架构，核心创新包括：(1)门控卷积块(gConvBlock)替代传统激活函数，实现空间自适应的特征处理；(2)动态特征融合(SKFusion)机制优化skip-connection；(3)深度可分离卷积等轻量化设计。实验表明，在RESIDE等基准数据集上，gUNet以仅10

本文提出FrDiff模型，首次将扩散模型应用于非配对图像去雾任务。该模型通过频域分析，将有雾图像转换问题转化为幅度谱重建任务：1）设计幅度残差编码器（ARE）进行频域分布对齐；2）利用扩散模型重建幅度残差；3）提出相位校正模块（PCM）优化结构信息。实验表明，FrDiff在合成和真实数据集上均优于现有非监督方法，PSNR在SOTS-Indoor达到27.43。创新点在于将生成目标从图像空间转移到频

本文提出了一种改进的零样本图像去雾方法SZID，针对原始ZID方法存在的颜色失真和计算复杂度问题进行了优化。通过简化大气光估计网络为回归模型、去除辅助训练步骤、新增角度颜色约束损失等创新，SZID在保持无需训练数据优势的同时，显著减少了95%参数量并提高了运行效率。实验表明，该方法在真实雾图数据集上优于依赖合成数据训练的现有方法，尤其在颜色自然性和伪影控制方面表现突出，为单幅图像去雾提供了一种更高

本文提出GridDehazeNet，一种无需依赖大气散射模型的端到端单幅图像去雾方法。通过Grid多尺度网络结构（3行×6列RDB模块）实现跨尺度特征交互，避免了传统编码器-解码器的信息瓶颈问题。创新性地采用可学习预处理模块自动生成16个输入特征，并通过通道注意力机制自适应融合多尺度信息。在RESIDE数据集上的实验表明，该方法在室内场景PSNR指标较现有最佳方法提升7dB，室外场景提升2.5dB

本文提出了一种自适应退化感知自提示模型(ADSM)用于全场景天气退化图像恢复。针对现有方法难以适应多种天气条件且缺乏退化感知能力的问题，该模型通过潜在提示生成器(LPGs)提取三种提示：退化类型、属性和图像描述，引导扩散模型进行针对性修复。同时设计了小波导向噪声估计网络(WNE-Net)，利用小波变换增强频率感知并降低计算成本。实验结果表明，该方法在去雨、去雾、去雪等多种任务上的PSNR平均提升0

本文提出PromptIR，首个基于提示学习的All-in-One"盲图像复原网络。该方法通过动态生成轻量级退化提示（0.5%额外参数），在解码阶段自适应引导特征恢复，无需退化先验或对比学习。在去噪、去雨、去雾三大任务6个测试集上，PromptIR以26M参数量实现平均PSNR领先0.86dB，推理速度提升1.7倍。消融实验验证了;解码器单侧提示注入的最佳设计，在未见噪声水平下仍保持优异泛

本文提出AirNet，一种无需退化先验的统一图像恢复方法。通过对比学习退化编码器(CBDE)提取判别性退化表示，结合动态适应模块(DGRN)实现多退化处理。实验表明，AirNet在去噪、去雨、去雾任务上优于17个基线方法，证明了其处理复杂退化场景的能力。该方法为自动驾驶等实际应用提供了新的解决方案。