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。

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深度学习的手术场景深度估计框架，结合自监督学习和深度估计器，提出了SurgicalSAM以改善机器人手术中的仪器分割。通过图学习和多模态信息，开发了新的视觉-运动学框架，提升了手术器械的分割精度。此外，介绍了GraSP数据集和TAPIS模型，验证了方法在手术程序理解中的有效性和鲁棒性。

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%。

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。

本文介绍了多种基于深度学习的去雾方法，如DADFNet、U-Net和AOD-Net。这些方法利用特征融合、注意力机制和生成对抗网络等技术，显著提升了恶劣天气条件下的图像去雾效果，并改善了目标检测的准确性。实验结果表明，这些模型在去雾性能上达到了先进水平。

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。