本研究提出了LMHaze数据集，包含5000对高分辨率图像，旨在解决图像去雾数据不足的问题。同时，提出了一种基于混合专家模型的去雾方法，能够动态调整参数，性能优于现有技术。

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。