该研究解决了单幅图像去雾模型在面对对抗性噪声时的脆弱性问题。提出了两种轻量级微调策略，以增强预训练变换器的鲁棒性，验证了在不失洁净性能的同时显著提高了对抗性数据的保护能力。在遥感应用场景下展示了其对偏离分布数据的鲁棒性，具有重要的实际应用价值。

本研究解决了现有自动分布式训练系统未能充分优化多种并行技术和内存优化的缺陷。文中提出的Mist系统，通过细粒度重叠调度和不平衡感知的层次调优，能够全面优化内存占用减少技术与并行性。测试结果表明，Mist在速度上比最先进的手动系统Megatron-LM快1.28倍（最高可达1.73倍），比最先进的自动系统Aceso快1.27倍（最高可达2.04倍），展示了其显著的效率提升潜力。

本研究解决了在雾天场景中图像降解导致细节丢失的问题，影响了计算机视觉任务的准确性。提出了一种创新的半物理偏振去雾方法，该方法模拟雾的扩散过程，通过设计扩散核来恢复雾滴状态，提高图像质量。该方法的应用在复杂环境中具有显著的图像去雾和细节增强效果。

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。

该研究解决了现有图像去雾方法在训练数据依赖和计算力量消耗上的不足，尤其是在非均匀或重雾条件下的表现。提出的DRACO-DehazeNet通过新型的四元损失对比学习范式和注意力细节恢复网络，实现了在有限数据下的有效训练，取得了在多种基准雾霾数据集上的优越表现。

本研究解决了水下图像因光散射、吸收及雾状颗粒导致的低分辨率和可见度差的问题。我们提出了一种结合多尺度Retinex去雾方法与超分辨率卷积神经网络的混合策略，显著提高了水下图像的清晰度、对比度和色彩还原。实验结果表明，该方法在水下图像处理方面优于传统技术，具有重要的应用潜力。

我开发了一个名为Easy Haze的网页模板，基于React、Shadcn UI、Tailwind Labs和TwBlocks构建。模板包含10多个结构良好的部分，设计简洁，易于定制，适合快速启动项目。Easy Haze是Easy UI集合的一部分，强调极简设计和易用性。Easy UI是开源的，代码可在GitHub上获取，欢迎贡献或自定义。

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。

研究提出了一种层次模型，用于预测氮氧化物、臭氧和细颗粒物浓度。模型基于空气污染动态和大气科学，使用层次化的GRU，预测效果优异。

本文介绍了GraSP数据集，专注于前列腺切除手术的多层次理解。通过TAPIS模型结合视频特征和器械分割，实现手术阶段和步骤识别。实验验证了TAPIS在短期任务中的优越性，证明了数据集的可靠性，为内窥镜视觉领域提供了新框架。

本研究针对传统图像去雾方法在网络深度受限的问题，提出了一种创新的级联动态过滤器网络。该方法通过动态生成过滤器内核，结合残差多尺度区块，有效提升特征处理能力，实验表明我们的模型在RESIDE-Indoor数据集上获得了43.21dB的PSNR，显示出其显著的图像恢复效果。

本研究提出了CLIPHaze，一个创新的混合框架，结合了Mamba的全局建模与CLIP的先验知识和零样本能力，实现了对雾霾图像的最佳处理，保证了出色的去雾效果。

通过分析雾粒子尺寸分布对自主驾驶汽车系统中的三维目标检测的影响，本文利用 Mie 理论和气象光学范围 (MOR) 计算衰减和背散射系数，使用 Gamma 和 Junge (Power-Law) 分布来模拟不同类型的雾环境，并依此修改 KITTI 数据集进行训练，结果显示系统的准确性与目标对象的维度、雾气环境的性质和检测难度的增加有显著变化，其中汽车的准确性最高，约为 99%，行人的准确性最低，约为 73%。

HazeCLIP是一种语言引导的适应框架，通过区域特定去雾技术和定制提示集，提高了预训练去雾网络在真实世界中的性能。实验证明HazeCLIP在真实世界图像去雾方面达到了最先进的性能。

该文章介绍了一种新的去雾网络，通过创新的Haze-Aware Attention模块（HAAM）和Multiscale Frequency Enhancement模块（MFEM）的结合来解决图像去雾的问题。该网络在效率和效果方面明显优于现有的基于注意力和变换器模型，为图像去雾领域的研究提供了新的突破。

本文提出了一个基于U-Net的深层网络模型用于单幅图像去雾，通过特征融合实现高度非线性变换函数。该模型在两个图像去雾基准测试中表现出色，能够高效恢复超高清分辨率模糊图像。

Ksformer 使用多通道、多尺度窗口结合基于多尺度关键选择路由注意力（MKRA）和轻量级高频处理模块（LFPM）的智能选取关键区域，从而在去雾方法的测试中表现出色。