现存方法缺点：The performance of existing image dehazing methods is limited by hand-designed features, such as the dark channel, color disparity and maximum contrast, with complex fusion schemes.

提出的方法：In this paper, we propose a multi-scale deep neural network for single-image dehazing by learning the mapping between hazy images and their corresponding transmission maps. The proposed algorithm consists of a coarse-scale net which predicts a holistic transmission map based on the entire image, and a fine-scale net which refines results locally. To train the multi-scale deep network, we synthesize a dataset comprised of hazy images and corresponding transmission maps based on the NYU Depth dataset. Extensive experiments demonstrate that the proposed algorithm performs favorably against the state-of-the-art methods on both synthetic and real-world images in terms of quality and speed.

网络框架图

项目主页：https://sites.google.com/site/renwenqi888/research/dehazing/mscnndehazing

论文下载：https://drive.google.com/open?id=0B7PPbXPJRQp3TUJ0VjFaU1pIa28

代码下载：https://drive.google.com/open?id=0B7PPbXPJRQp3TUJ0VjFaU1pIa28

暗通道模型+深度学习

动机：现有图像去雾方法的性能受到手工设计的特征的限制（先验），例如暗通道，颜色差异和最大对比度，以及复杂的融合方案

对比方法： Tan（2007）、Fattal（2008）、DCP、 BCCR（Meng）、Tarel、Tang

方法：通过学习模糊图像与其相应的传输图之间的映射，提出了一种用于单图像去雾的多尺度深度神经网络。 所提出的算法包括粗尺度网络，其基于整个图像预测整体透射图，以及精细尺度网络进行局部性的优化。

MSCNN：

  • 提出一个多尺度的CNN来学习有效的特征（t）；
  • 首先由粗尺度网络估计场景传输图，然后由精细尺度网络细化；
  • 分析传统方法提取的特征与CNN学习的特征之间的差异；

优点：

  • 时间很快

缺点：

  • 对夜晚雾情况处理不好 

网络框架图

t(x)：通过最小化预估的t(x)与真实图像的t(x)之间的MSE;具体步骤见Fig2(b)

A：通过在透射图t（x）中选择0.1％最暗像，在这些像素中，选择相应的雾图像I中具有最高强度的像素作为大气光。

提到了他们的速度很快：

海报：