论文地址：https://arxiv.org/pdf/1707.06543.pdf

相关代码：GitHub - MayankSingal/PyTorch-Image-Dehazing: PyTorch implementation of some single image dehazing networks.

数据集下载：https://sites.google.com/site/boyilics/website-builder/project-page

目录

1、在进入图像去雾之前，先简单了解下大气散射模型

2、论文中针对大气散射模型的改进

3、AOD-Net模型

4、AOD-Net的一些特性：

5、实验结果

---

关于 AOD-Net 的 LibTorch 部署可以看这篇博客：

AODNet在Libtorch端的部署全过程(附详细源码)_Flag_ing的博客-CSDN博客https://blog.csdn.net/Flag_ing/article/details/1094052631、在进入图像去雾之前，先简单了解下大气散射模型

1999年，针对雾天能见度低的问题，Srinivasa G. Narasimhan等人通过建立数学模型，解释了雾天图像的成像过程以及雾天图像包括的各个要素。该模型认为在强散射介质下，引起探测系统成像结果质量降低的主要原因有两种：

       一是目标反射光受大气中悬浮粒子的吸收和散射作用，造成目标反射光能量的衰减，这导致探测系统的成像结果亮度降低，对比度下降；

       二是太阳光等环境光受大气中散射介质的散射作用形成大气光，通常这部分背景光强度大于目标光，因而造成探测系统的成像结果模糊不清。

大气散射的数学模型如下所示：

• 为探测系统所得到的雾天图像
• 表示需要恢复出的去雾图像
• 参数x表示图像中像素点的位置
• λ表示光的波长
• 表示无穷远处的大气光值(光源来自于无穷远出的天空)
• 表示传输函数，其物理意义为经过粒子衰减能够达到探测系统的那部分光的比例。为散射系数，用于描述介质对不同波长光的散射能力，d(x)是光线传输距离。

2、论文中针对大气散射模型的改进

将（1）式简化成如下形式：

代表恢复出来的去雾图像，则可以得到以下公式：

 以往对于图像去雾以往的工作遵循一下三步流程：

1. 利用复杂的深度模型从模糊图像I (x)中估计传输矩阵t (x)
2. 用一些经验方法估计A
3. 估计去雾图像J (x)

但是该流程会导致一个不能直接最小化图像复原误差的欠佳结果。对A和t (x)的分别评估将会导致累计甚至放大的误差。

因此，文章的一个idea是整合A和t(x)这两个参数，并用K(x)来代替，公式（3）可以重写为以下形式：

其中：

b是一个常量偏置，默认为1。由于K (x)依赖于I (x)，因此我们的目标是建立一个输入自适应深度模型，该模型的参数会随着输入模糊图像的变化而变化，使输出J (x)与groundtruth clean image之间的重构误差最小化。

3、AOD-Net模型

文章提出的AOD-Net网络有两个模块，如下图所示

网络中的K-estimating模块负责从输入I(x)中估计K(x)参数，接下来是一个去雾图像生成模块（clean image generation module），利用K(x)作为其输入自适应参数来估计J (x)。

K-estimating模块是AOD-Net中的重要模块，负责估算雾深度和相对水平(the depth and relative haze level)。模型中使用五个卷积层，并通过融合不同大小的滤波器形成多尺度特征。在AOD-Net的网络层中， “concat1”层连接了来自“conv1”和“conv2”层的特性。类似地，“concat2”连接来自“conv2”和“conv3”的特征，“concat3”连接了来自“conv1”、“conv2”、“conv3”和“conv4”的特征。这种多尺度设计以不同尺度捕获特征，中间连接层也弥补了卷积过程中的信息损失。另外，AOD-Net的每一个卷积层只使用了三个滤波器。在K-estimating模块后，去雾图像生成模块由一个element-wise的乘法层和几个element-wise的加法层组成，通过式(4)生成恢复的图像。

4、AOD-Net的一些特性：

1、对白色风景自然图像具有较好的去雾效果。

白色场景或物体一直是图像去雾的主要障碍。许多先前的模型在白色物体上表现不佳，因为对于与大气光颜色相似的物体，透射值接近于零。由实验结果可以发现，AOD-Net模型虽然没有明确地考虑解决白色场景的问题，但该端到端的方案似乎在这方面有着较强的鲁棒性。AOD-Net在不引入假色调或扭曲物体轮廓的情况下，成功地消除了雾层。

2、对于无雾（Haze-Free）图像伤害小

尽管AOD-Net模型是训练在有雾图像的数据集上，但实验证明，在无雾的条件下，AOD-Net具有良好的性能，对输入图像的负面影响很小。这也是对模型中提出的K-estimation 模块鲁棒性和有效性的认可。

3、AOD-Net是轻量型网络，可以嵌入高级视觉任务(如目标检测)中使用

5、实验结果

1、白天照片的去雾效果。（左边是原图，右边是去雾后的效果，下同）

2、夜晚照片的去雾效果。