摘要
单幅图像去雾是一个具有挑战性的不适定问题。现有的方法通过使用各种约束或先验知识来获得合理的去雾解决方案。实现去雾的关键在于估计输入有雾图像的介质传输图。在本文中，我们提出了一种可训练的端到端系统，称为DehazeNet，用于介质传输估计。DehazeNet以有雾图像作为输入，输出其介质传输图，随后通过大气散射模型恢复无雾图像。DehazeNet采用了基于卷积神经网络（CNN）的深度架构，其各层专门设计以体现图像去雾中的已知假设或先验知识。具体而言，使用了Maxout单元层进行特征提取，这些层几乎可以生成所有与雾相关的特征。我们还在DehazeNet中提出了一种新的非线性激活函数，称为双边修正线性单元（Bilateral Rectified Linear Unit, BReLU），该函数能够提高恢复后的无雾图像的质量。我们建立了所提出的DehazeNet组件与现有方法中使用的组件之间的联系。基准图像上的实验表明，DehazeNet在性能上优于现有方法，同时保持高效且易于使用。