该研究介绍了图像去雾技术的进展，包括O-HAZE和NH-HAZE数据集的创建，评估现有去雾方法的局限性。提出了基于编码器-解码器的去雾算法和PANet等新算法，显著提升了去雾效果。此外，研究还提出了HazeSpace2M数据集，以改善雾霾分类和去雾算法选择，具有重要应用潜力。

该研究基于RESIDE数据集探讨了单张图像去雾技术，强调感知损失在提升去雾效果中的作用，并提出了AECR-Net和TSNet等新方法，显著提高了去雾性能，推动了图像去雾领域的发展。

本文介绍了一种基于学习的图像去雾域适应模型，该模型结合了图像翻译和去雾模块，通过一致性约束进行训练，以提升去雾效果。实验结果表明，该模型在合成和真实图像中均表现优异。此外，文中还探讨了多种基于CLIP的视觉-语言模型改进方法，显著提升了图像分类、短语定位和视线估计等任务的性能。

本文介绍了多种图像去雾网络，如FFA-Net、FAMED-Net和GridDehazeNet，强调了它们在特征融合、残差学习和注意力机制方面的创新。这些方法在去雾效果、计算效率和图像恢复精度上表现优异，推动了图像去雾技术的发展。

本文介绍了一种新型图像去雾方法，结合语义特征推断和深度学习技术，显著提高了去雾效果。该方法采用编码器-解码器网络、空间感知通道注意机制及残差学习，实验结果表明在合成和真实图像上均表现优异，达到了顶尖水平。

本文介绍了一种无监督的单张图像去雾方法，利用暗通道先验提高图像质量。同时，提出了基于残差特征传递模块的水下物体检测方法，实验结果显示其性能优于传统的CNN和Transformer检测器。此外，开发了UDC-DMNet和DGFormer网络，针对下屏摄像头图像恢复和盲人脸恢复，均取得了先进性能。

本文介绍了一种基于U-Net的深度学习模型，用于单幅图像去雾。该模型通过特征融合实现从有雾图像到去雾图像的高度非线性变换。在两个图像去雾基准测试中，该模型在GPU上高效地恢复超高清分辨率模糊图像，达到了顶尖水平。

本文提出了一种基于DDPM和物理感知的图像去雾框架DehazeDDPM，适用于复杂的浑浊场景。该框架通过物理建模和DDPM的生成能力相结合，补偿浓雾引起的信息损失。实验证明，该方法在合成和真实世界的浑浊数据集上取得了最先进的性能。

本文介绍了一种名为DR-Net的新型深度网络架构，用于图像去雾。该网络由三个子网络组成，分别是传输预测网络、去雾网络和优化网络。DR-Net在数据驱动模型、端到端系统和鲁棒性方面表现出色。实验证明，DR-Net在定量和定性指标上都优于最新方法。此外，DR-Net在计算机视觉任务中也具有潜在用途。