这也是CVPR 2018一篇做dehaze的一篇论文，思路比较简单，这里做一下简要的介绍。主要是使用了一个编解码网络和CGGAN,同时使用VGG loss和L1正则的边缘prior，个人感觉比较水。
网络结构
网络结构如下，由生成器和判别器组成，生成器是一个编解码网络，和UNet不一样的是其将encode和decode的部分直接相加而不是concat，论文认为这样更有利于信息的流动。encode使用leaky relu而decode使用relu，感觉非常简单:
Loss Function
这里的loss包括以下三个部分，cGAN的loss,VGGd的feature loss和加入梯度正则的L1 loss,前两个loss并不能最后好的恢复出图像，第二个loss恢复少量细节的同时，却引入了artifacts。第三个Loss就是输出图和目标图的L1 loss加上输出图的tv loss做正则，然后三个loss相加。