本资料汇编了2018至2020年间发表于国际顶级学术期刊上的去雾技术相关研究文献，全面展示该领域前沿进展。
在图像处理领域，去雾技术是一项重要的研究方向，旨在提高恶劣天气条件下拍摄的照片的清晰度和视觉质量。本段落将重点介绍2018年至2020年间，在顶级期刊（如IEEE Transactions on Image Processing）和会议（如ICCV、ECCV）上发表的相关论文整理，并着重介绍了应用了机器学习及卷积神经网络(CNN) 的先进技术。
去雾技术的核心目标是恢复图像中的细节和色彩，去除由大气散射导致的模糊现象。传统的去雾方法通常基于物理模型，例如暗通道先验理论，但这些方法对于复杂环境适应性有限。近年来随着深度学习的发展特别是CNN的应用，在该领域取得了显著的进步。卷积神经网络在去雾任务中应用广泛，主要通过大量带有雾和无雾图像对的训练数据来自动学习特征表示与映射规则。
其中一些典型的 CNN 架构如DehazeNet、AOD-Net及GFN等已经在实际效果上取得重大突破。例如 Cai 等人提出的 DehazeNet，设计了一个深度卷积网络通过先验信息估计大气光和传输矩阵来实现去雾；而 AOD-Net 则引入了一种轻量级结构，在保持良好性能的同时显著减少计算成本适合实时应用需求；GFN 结合了引导滤波器与 CNN 的优点，既能充分利用深度学习的强大能力又可保证边缘清晰度。
在这三年的研究中还出现许多创新方法如基于多尺度的网络架构、注意力机制的应用以及深度自适应去雾技术等。这些新技术不仅提升了去雾性能而且更加注重模型效率和泛化能力为实际应用提供了更多可能性。
综上所述，2018年至2020年间顶级期刊上的相关论文整理涵盖了机器学习与 CNN 在该领域的前沿进展是深入理解并掌握现代图像处理关键技术的重要资源。对于从事图像处理、计算机视觉或深度学习研究的学者和工程师来说这些资料极具参考价值可以帮助他们进行更深层次的研究及开发工作。
5星
