该研究提出WTCL-Dehaze网络，通过结合对比损失和离散小波变换，增强图像特征表示，并利用多尺度特征提取捕捉高频细节，解决雾霾图像的颜色失真、对比度低和细节丢失问题。实验结果表明，该方法在去雾效果和鲁棒性上优于现有技术。

本研究探讨了扩散模型在图像恢复任务中的应用，并对当前技术进行了全面回顾。研究发现扩散模型在图像去噪、去模糊和去雾等低级计算机视觉任务中具有潜力，并提供了未来研究方向的实用建议。

本研究提出了一种无监督学习方法——变分翻译器（VaT），通过变分推理和自我训练机制，提升了图像恢复能力和高层视觉任务的表现。在去雾和低光增强的检测和分类中，超越了其他最新的无监督和部分监督方法。

该文介绍了一种基于U-Net的深度学习模型，用于单幅图像去雾。该模型表现出了顶尖水平，能够高效地恢复超高清分辨率模糊图像。

该文介绍了一种基于U-Net的深度学习模型，用于单幅图像去雾。该模型在GPU高效内存使用下能够恢复超高清分辨率模糊图像，达到了顶尖水平。