模型

整个网络包括三个子网络，如图。

• transmission map estimation
  传播图估计网络是一个CGAN网络，包含两个子网络：生成网络G和对抗网络D
  生成网络：有类似U-net结构的跳跃级联结构
  C(15)-CBP(30)-CBP(60)-CBP(120)-CBP(120)-CBP(120)-CBP(120)-CBP(120)-TCBP(120)-TCBP(120)-TCBP(120)-TCBP(120)-TCBP(60)-TCBP(30)-TCBP(15)-TC(1)-tanh
  对抗网络：
  CB(48)-CBP(96)-CBP(192)-CBP(384)-CBP(384)-C(1)-sigmoid
  损失函数：均方误差损失+对抗损失

• haze feature extraction
  一个可行的方案是：让网络直接学习传播图和去雾图之间的非线性映射关系，但是这里有一个问题，就是在论文Image-to-image with conditional adversarial networks中所说的，当网络在学习类标签图像和RGB彩色图像之间的映射时，很难保留图像原有的彩色信息，因此，即使网络学习到的映射关系能够产生视觉上理想的结果，也不可能精确地预测出去雾后图像。
  为了确保去雾后的图像和原图像保持色彩恒常，作者这里借鉴了论文Deep Joint Image Filtering中的做法，用一个guidance image联合估计出的传播图一起作为第三个去雾网络的输入。这里的guidance image就是子网络haze feature extraction提取出的高维特征。
  网络结构和guided image dehazing一样。

• guided image dehazing
  类似于一个融合网络，多输入单输出，输入的是高维特征和估计出的传播图的concatenate，输出的是最终的去雾图，网络结构如下：
  CP(20)-CBP(40)-CBP(80)-C(1)-Concat(2)-CP(80)-CBP(40)-CBP(20)-C(3)-tanh
  损失函数：均方误差损失+感知损失
  感知损失能够极大地增强最终结果的视觉效果。

训练

• 数据集 NYU Depth dataset
  基于以下条件：（1）全局大气光服从[0.5,1.2]均匀分布；（2）大气散射系数服从[0.4,1.6]均匀分布；（3）针对每个无雾清晰图像以及对应的深度图，我们随机选择4个全局大气光和大气散射系数，人工合成有雾图像以及传播图
  训练集：600张 x 4=2400
  patch size：256 x 256

• 模型参数设置
  学习率：0.002
  损失函数：
  优化函数：Adam
  batch size：10
  框架：Torch

• 对比试验
  Transmission map estimation without adversarial loss：
  Image dehazing without perceptual loss：
  Image dehazing without Euclidean loss：
  Image dehazing without transmission map：

测试

• 合成图像测试
  测试集：75张 x 4=300
  比较内容：
  1、定性比较：从人工合成测试集中选择2幅出来和其他算法对比传播图以及去雾后图像
  2、定量比较：SSIM、PSNR

• 真实图像测试
  比较内容：
  1、之前论文里面出现过的真实有雾图像对比
  2、具有挑战性的真实有雾图像对比