CVPR 2020，使用半监督方式做去雾，motivation是将仿真输入和真实输入做相互转换，并对转换的仿真输入和真实输入分别做去雾处理，其中有监督部分使用MSE loss,无监督部分使用deblur的先验loss，整体pipeline如下所示:
中间部分是一个cycleGAN的形式，实现仿真和真实雾图片的相互转换，为了使仿真到真实转换更加准确，这里还加入了depth信息做引导，因为雾的形成与深度信息是密切相关的。depth引导部分使用的是SFT模块，如下所示：
对于dehaze网络，这里使用的是一个encoder-decoder结构，对于仿真真实转换网络，这里使用的是一个全卷积网络，对于中间的转换模块，这里的loss包括在图片和特征层面的GAN loss，基于cycleGAN的一致性loss和内容映射loss。对于去雾网络，有监督部分使用的是L2 loss，无监督部分使用的是边缘正则loss和暗通道先验loss，最后将两个部分的无监督分支做一个一致性loss，保证去雾效果的一致性。这里有监督和无监督的去雾网络共享权重。
训练时，这里先训练转换模块，然后训练去雾模块，最后两部分联合在一起进行finetune，论文通过一系列实验说明自己方法的有效性(很奇怪这里没有加入cycleGAN+其他方法的对比实验）。