1. 概述
网络结构如图1所示。作者训练一个融合多尺度特征的网络来预测透射图，通过选择传输图t(x)中0.1%最暗像素来估计大气光 A 。在这些像素中，选取对应的朦胧图像 I 中强度最高的像素作为大气光。
网络输出的透射图尺寸与GT相同，去掉上、下采样虽能达到同样效果但是损害了模型性能。作者通过将前一层的一个像素点赋予后一层4个像素点同样的值来实现上采样。
图1 网络结构
作者修改了原始大气散射模型公式来进行预测：
2. 损失函数
损失函数如下：
作者利用数据集提供的景深来创建透射图，并用将其与模型预测的透射图计算MSE。
3. 数据集
- NYU Depth dataset
- Middlebury stereo database
这两个数据集都提供了景深，作者分别生成了18000张雾图和透射图作训练集，所有的训练图像都被调整为320×240像素的标准尺寸；50张雾图作验证集。
4. 参考文献
[1] Wenqi Ren, Si Liu, Hua Zhang, Jinshan Pan, Xiaochun Cao1(B),
and Ming-Hsuan Yang3. “Single Image Dehazing via Multi-scale Convolutional Neural Networks”. Springer International Publishing AG 2016, B. Leibe et al. (Eds.): ECCV 2016, Part II, LNCS 9906, pp. 154–169, 2016.DOI: 10.1007/978-3-319-46475-6 10.
