采用多尺度卷积神经网络，针对单幅图像进行雾霾去除。

简介：
针对传统单幅图像去雾算法所存在的局限性，例如易受雾图先验知识的限制以及可能出现的颜色失真现象，本文提出了一种基于深度学习的多尺度卷积神经网络（CNN）单幅图像去雾方法。该方法的核心在于学习雾天图像与大气透射率之间的关联，从而实现图像的去雾效果。为了构建该方法，我们依据大气散射模型来阐明雾图的形成机制，并设计了一个端到端的、多尺度全卷积神经网络（CNN）模型。该模型通过卷积层运算，有效地提取有雾图像的浅层特征；同时，利用多尺度卷积核并行地提取有雾图像的深层特征。随后，我们将浅层特征和深层特征进行跳跃连接融合，最终通过非线性回归的方式获得雾图对应的透射率图特征，并基于大气散射模型恢复出清晰的无雾图像。为了验证该方法的有效性，我们利用一个专门的雾图数据集对模型进行了训练和测试。实验结果表明，所提出的方法在合成有雾图像以及真实自然雾天图像的场景下均能展现出卓越的去雾性能，并且在主观评价和客观评价指标上都优于其他对比算法。