ICCV 2019，论文思路还是比较简介的，基本思路是在原来大气光散射模型的基础上，又增加了若干模型，通过对这些模型进行加权，提升表现力。可以理解成是一种ensemble的方法（这种方法在low level上还是比较work的）。大气光散射模型的公式如下所示:
其中I是观察到的带雾图像，J是理论上要恢复出来的图像，A是全局大气光，T是传输图。
首先将不同尺度的特征结合在一起，如下图所示，浅层特征保留更多原始信息，深层特征则有更多的语义信息。因此做这样的concat:
AFIM模块为不同的成像CNN层生成特征，该模块结构如下图所示:
接下来，J0到J5五个成像层如下图所示:
最后，生成的weight map对各部分做加权求和，从而提升表现力。在loss上，也是对各个成像层的结果和GT做约束，总之最后起作用的还是ensemble的策略。论文后面的对比实验也说明了这一点，不过论文没有对比自己的方法和其他方法的速度参数量，这一点感觉并不严谨。