整理了18-20年发表在顶级期刊上的去雾论文。

简介：
在图像处理领域，去雾技术被视为一项至关重要的研究课题，其核心目标是提升图像的清晰度以及整体的视觉表现力，尤其是在光线条件较为复杂，例如恶劣天气下拍摄的照片中。本文将重点呈现2001年至2020年间，在国际上顶尖学术期刊和会议上发表的关于去雾技术的论文总览，这些论文充分利用了机器学习以及卷积神经网络（CNN）等先进技术。去雾技术的关键在于恢复图像中丢失的细节和色彩信息，并消除由于大气散射所造成的模糊现象。传统的去雾方法往往依赖于物理模型，例如暗通道先验理论，但其适应性在复杂场景下的表现并不理想。近年来，伴随着深度学习技术的蓬勃发展，特别是CNN的应用日益广泛，去雾技术取得了令人瞩目的进步。IEEE Transactions on Image Processing (TIP) 和 IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI) 是国际图像处理领域公认的权威期刊；而 International Conference on Computer Vision (ICCV) 和 European Conference on Computer Vision (ECCV) 则是计算机视觉领域的顶级学术会议。这些平台发布的论文准确地反映了去雾研究领域的最新进展和发展趋势。卷积神经网络在去雾任务中的应用主要体现在通过学习大量的包含雾和无雾图像配对的数据集，从而自动学习图像去雾的关键特征表示和映射规则。通常情况下，CNN模型会包含多个卷积层、池化层以及激活函数单元，用于提取图像中的有效特征并执行反雾处理操作。其中一些具有代表性的CNN架构设计，如DehazeNet、AOD-Net 和 GFN 等，已经在去雾效果方面展现出显著的提升潜力。例如，DehazeNet是由Cai等人提出的网络结构，它巧妙地利用深度卷积网络来学习图像的先验信息并估计大气光以及传输矩阵参数，最终实现高效的去雾效果。AOD-Net则采用了轻量级的网络结构设计理念,能够在保证去雾效果的同时大幅度降低计算复杂度,使其更适合于实时应用场景的需求.GFN（Guided Filter based Network）则结合了引导滤波器与CNN技术优势,既能充分发挥深度学习强大的学习能力,又能有效保持边缘清晰度。在2001年至2020年的研究过程中,还涌现出许多其他创新性的方法论,如基于多尺度网络的结构设计、注意力机制的应用以及深度自适应去雾等策略.这些方法不仅在提升去雾性能方面取得了显著成果,同时也高度关注模型的效率和泛化能力问题,从而为实际应用提供了更广阔的可能性.综上所述,这三年的顶刊去雾论文整理系统地呈现了机器学习和CNN技术在去雾领域的前沿进展情况,为深入理解和掌握现代去雾技术提供了宝贵的资源与参考价值.对于从事图像处理、计算机视觉或深度学习相关研究的学者和工程师而言,这些资料具有极高的价值,可以作为进一步研究和开发的重要依据.