这是2017ICCV一篇做dehaze的论文，和前面论文一样，这篇论文也是尝试学习一个end to end的网络，将dehaze里去雾的公式整合在一起嵌入到网络里。先前的去雾都是对transimission和大气光散射分别进行估计的，这会导致误差的累计，不利于去雾的进行。
Transformed Formula
一般的去雾公式里，清晰的图像可以表示为:
一般把t和A分别做估计，这很显然不利于去雾，这里将这两者结合在一起，令为K,则上式可以表示为:
其中,K可以表示为:
其中b是一个偏置项，默认为1,这样通过估计K，就可以对A和t进行联合估计了。
Network Design
网络包括一个K估计模块和一个包含相乘和若干卷积层堆叠而成的生成模块。K估计模块，顾名思义，就是估计上式中的K，其代表的是雾的深度和程度。其包括五个卷积层，为了将不同层级的特征结合在一起，这里将卷积1、2层concat，卷积2/3层concat在一起，卷积1/2/3/4层concat在一起，融合多种特征也可以避免信息的损失。整体网络的组织形式如下，最后一个相乘是和输入图进行相乘的:
这个K估计模块是必要的，去雾不同于一般的降质过程，其还包括非均匀分布的噪声以及反射的因素以及物理距离，而一般的模型只需要考虑独立的噪声，因此可以使用非参数化的模型即可。最后，论文说明该网络结合目标检测，可以提高目标检测的准确率。