Dense Scene Information Estimation Network for Dehazing（用于降噪的密集场景信息估计网络）

去雾思想及原理介绍：
图像去模糊仍然是最具挑战性的逆问题之一，深度学习方法的出现补充了传统的基于模型的方法，并帮助定义了可实现的去模糊图像质量的新的技术状态。然而，现实的挑战仍然存在于对世界图像的去雾化中，在这些图像中，场景被浓密的烟雾所覆盖，即使在没有场景信息可被视觉观察的程度上也是如此。最近的许多除雾方法通过设计用于估计雾模型中的物理参数的深度网络(即环境光 (A) 和透射图 (t)) 来解决这一挑战。然后可以使用雾度模型的逆来估计去雾图像，在这项工作中，我们开发了两种新的网络体系结构来进一步研究这一领域。我们的第一个模型被称为AT-DH，它设计了一个基于共享DenseNet的编码器和两个不同的基于DensetNet的解码器来共同估计场景信息分别为a和t。这与最近分别估计这些物理参数的努力（包括在CVPR'18中发表的那些努力）形成对比。作为AT-DH的自然扩展，我们开发了AtJ - DH网络，该网络增加了一个基于DenseNet的解码器，与A和T一起共同重建无雾图像。通过自定义的正则化项可以进一步提高AtJ - DH中模型参数A和t的估

Dense Scene Information Estimation Network for Dehazing（用于降噪的密集场景信息估计网络）最先出现在Python成神之路。