从研究动机视角对无监督图像去雾论文的分类

对目前拥有（2020年--2024年）的无监督图像去雾论文进行动机分类。

1.数据依赖与配对数据稀缺问题

1.1 论文《DEHAZE-GLCGAN: UNPAIRED SINGLE IMAGE DEHAZING VIA ADVERSARIAL TRAINING》- 2020年

模型的特点如下：

将去雾问题转化为图像到图像的转换问题，提出Dehaze-GLCGAN模型。
生成器结合编码器-解码器结构和残差块，以更好地恢复无雾场景。
采用全局-局部判别器结构来处理空间变化的雾霾，其中全局判别器基于整个图像，局部判别器基于随机裁剪的图像补丁进行真假分类。
通过烧蚀研究验证了不同因素对网络性能的影响，实验表明该网络在PSNR和SSIM指标上优于以往工作，且训练所需数据量更小

1.2 论文《Unsupervised Single Image Dehazing Using Dark Channel Prior Loss》- 2020年

模型的特点如下：

提出了一种完全无监督的训练方法，通过最小化著名的暗通道先验（DCP）能量函数来实现。这种方法不依赖于合成数据，而是仅使用真实世界的室外图像，并通过直接最小化DCP来调整网络参数。
“深度DCP”技术虽然可以被视为DCP的快速近似方法，但实际上通过网络和学习过程获得了额外的正则化，从而显著提高了结果质量。

1.3 论文《Unsupervised single image dehazing with generative adversarial network》- 2021年

模型的特点如下：

无监督学习框架：基于GAN架构，输入为未配对的清晰和雾天图像，避免了对配对数据的依赖，降低了数据收集和预处理的难度，提高了模型的实用性和可扩展性。
网络结构设计：网络由生成器、全局测试判别器和局部上下文判别器三部分组成。生成器负责将雾天图像转换为清晰图像，判别器则区分真实清晰图像和生成的清晰图像，通过全局和局部的判别器结合，确保生成图像在整体和细节上都更接近真实清晰图像。
暗通道先验注意力机制：引入基于暗通道先验的注意力机制，用于处理图像中不一致的雾浓度。这种机制帮助模型更准确地识别和处理图像中的雾天区域，提高去雾效果的均匀性和自然度。

1.4 论文《Unsupervised water scene dehazing network using multiple scattering model》- 2021年

模型的特点如下：

基于大气多散射模型：与以往方法不同，该方法结合了无监督神经网络和大气多散射模型，解决了理想数据集难以获取以及多散射对图像的影响。
网络结构设计：无监督去雾网络采用四个分支，分别估计场景辐射层、传输图层、模糊核层和大气光层。通过这四个层次的输出合成雾天图像，并通过最小化输入雾天图像和输出雾天图像之间的差异来优化模型，其中输出的场景辐射层即为最终的去雾图像。
无监督损失函数：构建了适用于图像去雾的无监督损失函数，利用先验知识，如颜色衰减能量损失和暗通道损失，来指导模型的训练过程。
广泛的应用前景：该方法在海洋、河流和湖泊等场景中具有广泛的应用前景，特别是在雾天条件下辅助船舶视觉进行目标检测或道路识别。

1.5 论文《Unsupervised Haze Removal for Aerial Imagery Based on Asymmetric Contrastive CycleGAN》- 2022年

模型的特点如下：

无监督学习框架：ACC-GAN是一种基于CycleGAN的无监督去雾框架，利用未配对的清晰和雾天图像进行训练，无需配对数据。
对比学习约束：引入对比学习约束，确保恢复的图像在潜在表示空间中更接近清晰图像，远离雾天图像，从而间接规范无监督去雾过程。
不对称结构设计：与标准CycleGAN不同，ACC-GAN在正向路径中加入额外的特征转换网络，形成不对称结构，增强从雾天域到无雾域的编码特征转换。
多维度损失函数：在训练过程中，构建多维度损失项组成的损失委员会，共同指导去雾结果的生成，提升去雾图像的自然度和保真度。

1.6 论文《Toward visual quality enhancement of dehazing effect with improved Cycle-GAN》

- 2022年

模型的特点如下：

基于Cycle-GAN的框架：提出了一种基于同源异构判别器（HID）辅助的细节生成模块（DGM）的循环生成对抗网络（Cycle-GAN），以实现无监督训练下的图像去雾。
细节生成模块（DGM）：为了使生成器能够恢复整个图像的细节，特别是在复杂结构的图像中，开发了DGM以提升输出去雾结果的细节表现。
同源异构判别器（HID）：提出了HID以基于异构特征和通道-空间注意力（CSA）提升去雾性能，并通过多种方式指导生成器，补充DGM。
更新的损失函数：根据无监督学习下的Cycle-GAN图像去雾任务，更新了损失函数，以更好地适应去雾目标。

1.7 论文《Unsupervised single image dehazing with generative adversarial network》-2022年

模型的特点如下：

无监督学习框架：基于GAN架构，输入为未配对的清晰和雾天图像，避免了对配对训练数据的需求。
网络结构设计：网络由生成器、全局测试判别器和局部上下文判别器三部分组成。生成器负责将雾天图像转换为清晰图像，判别器则区分真实清晰图像和生成的清晰图像。
暗通道先验注意力机制：引入基于暗通道先验的注意力机制，用于处理图像中不一致的雾浓度，帮助模型更准确地识别和处理图像中的雾天区域。

1.8 论文《Single maritime image dehazing using unpaired adversarial learning》- 2022年

模型的特点如下：

无监督对抗模型：MID-GAN是一种端到端的对抗模型，能够利用未配对的雾天和清晰图像进行训练，无需配对数据，降低了数据收集的难度。
注意力循环特征提取模块：开发了注意力循环特征提取模块（ARFEM），通过记忆机制提取雾成分，包含两个受约束的循环一致性分支，通过突出雾天和无雾图像域来提取特征。
新数据集贡献：贡献了一个新的现实世界未配对数据集REMIDE，用于海上图像去雾研究，为该领域的研究提供了宝贵的资源。

1.9 论文《DFP-Net: An unsupervised dual-branch frequency-domain processing framework for single image dehazing》- 2024年（有代码）

模型的特点如下：

结合先验与深度学习：将暗通道先验算法嵌入网络，融合先验和深度学习方法的优势。
双分支频域处理网络：专门设计用于探索图像不同频域的信息，提升去雾效果。
空间感知融合网络：协同探索图像的空间域信息，增强模型对图像细节的处理能力。
对比学习与对抗训练结合：利用未配对训练样本，通过对比学习和对抗训练缓解配对训练样本不足的问题。

1.10 论文《Joint dual-teacher distillation and unsupervised fusion for unpaired real-world image dehazing》- 2024年

模型的特点如下：

联合双教师知识蒸馏：探索两种合成到真实的去雾网络，采用异构蒸馏策略生成两个初步的去雾结果。
无监督对抗融合网络：提出一种无监督对抗融合网络，利用未配对的清晰图像优化教师网络的初步输出，特别增强了处理暗部伪影的能力。
中间图像约束：构建中间图像约束融合网络的输出，减轻无监督对抗训练中的结构失真。
轻量级学生网络：训练端到端的轻量级学生网络，学习从原始雾天图像到融合网络输出的映射，考虑内存存储和计算开销。

1.11 论文《Unpaired Remote Sensing Image Dehazing Using Enhanced Skip Attention-Based Generative Adversarial Networks with Rotation Invariance》- 2024年

模型的特点如下：

空间谱注意力机制与跳转注意力：引入空间谱注意力（SSA）机制和跳转注意力（SKIPAT），增强模型对雾天图像光谱信息的解读与处理能力。
计算开销的显著降低：优化模型结构，减少冗余计算，提高处理效率。
基于Perlin噪声的预训练：结合Perlin噪声蒙版进行预训练，模拟真实雾天条件，加速模型收敛，提升性能。
旋转损失的引入：提出旋转损失（RT Loss），确保模型能够均匀地从不同角度去雾，增强其在多样化场景下的鲁棒性和适应性。

1.12 论文《TSID-Net: a two-stage single image dehazing framework with style transfer and contrastive knowledge transfer》- 2024年（有代码）

模型的特点如下：

两阶段去雾网络：TSID-Net分为两个阶段。第一阶段将雾天图像视为一种艺术风格，清晰图像作为内容信息，通过风格迁移生成高质量多样化配对图像，缓解配对数据获取难题，为第二阶段提供充足训练样本。第二阶段利用大量清晰和雾天图像训练具有强鲁棒先验学习能力的正负教师网络，通过知识蒸馏、对比学习和过程导向机制，实现学生网络中间特征的有效知识转移和对比知识迁移。
风格版本库与课程对比正则化：提出风格版本库，结合课程对比正则化，实现学生网络在过程和结果上的双重对比学习。

2. 深度边界附近会出现性能退化，导致去雾效果不佳

论文《Efficient Unpaired Image Dehazing with Cyclic Perceptual-Depth Supervision》- 2020年

模型的特点如下：

提出一种带有循环感知深度监督的模型，以缓解无配对图像去雾中深度边界退化的问题。
生成器和判别器采用双路径特征重用骨干网络，这有助于提高模型的效率和性能。

3. 无监督与zero-shot结合

3.1 论文《Zero-Shot Image Dehazing》- 2020年

模型的特点如下：

提出了一种基于层次解缠的新方法ZID，将雾天图像视为多个“更简单”层次的纠缠，具体包括无雾图像层、传输图层和大气光层。这种方法通过解缠这些层次来实现去雾。
ZID是一种无监督方法，不使用任何清洁图像，包括雾天-清洁配对作为地面真实值。这意味着它不需要传统的监督学习中所需的大量配对数据。
ZID是一种“零样本”方法，仅使用观察到的单幅雾天图像进行学习和推理。它不遵循在大规模数据集上训练深度模型的常规范式，从而避免了数据收集的劳动强度和使用合成雾天图像处理真实世界图像的域偏移问题。

4. 雾导致图片质量降低

4.1 论文《Unsupervised Haze Removal for High-Resolution Optical Remote-Sensing Images Based on Improved Generative Adversarial Networks》- 2020年

模型的特点如下：

基于循环生成对抗网络（CycleGAN）提出了一种新的无监督去雾方法，称为边缘锐化循环一致性对抗网络（ES-CCGAN）。这种方法不需要先验信息，训练数据是无监督的，减轻了准备训练数据集的压力。
为了增强提取地面物体信息的能力，生成网络用密集卷积网络（DenseNet）替换了残差神经网络（ResNet）。这种网络结构有助于更有效地提取图像特征，提高模型的去雾性能。
设计了一种边缘锐化损失函数，旨在恢复清晰的地面物体边缘并从雾天图像中获取更多详细信息。这有助于在去雾过程中保留图像的重要细节和纹理特征。
在高频信息提取模型中，重新训练了视觉几何群（VGG）网络，使用遥感图像作为训练数据。这使得模型能够更好地适应遥感图像的特点，提高去雾效果。

4.2 论文《Remote Sensing Image Dehazing through an Unsupervised Generative Adversarial Network》- 2023年

模型的特点如下：

网络架构：该网络包含两个结构相同的生成器和两个结构相同的判别器。其中一个生成器专注于图像去雾，另一个则负责生成添加雾的图像。两个判别器用于判断图像的真实性。
生成器设计：生成器采用编码器-解码器架构，基于提出的多尺度特征提取模块和注意力模块构建。多尺度特征提取模块包含三个不同分支，旨在提取具有不同感受野的特征。每个分支包含扩张卷积和注意力模块。
注意力模块：提出的注意力模块包含通道和空间注意力组件，引导特征提取网络关注遥感图像中的雾和纹理。
判别器设计：为了提高生成器的性能，还设计了具有三个分支的多尺度判别器。
损失函数：通过在传统损失框架中加入颜色恒常性损失，改进了损失函数。

4.3 论文《UIDF‑Net: Unsupervised Image Dehazing and Fusion Utilizing GAN and Encoder–Decoder》- 2024年

模型的特点如下：

基于编码器-解码器的网络结构：UIDF-Net采用编码器-解码器范式，能够有效提取和还原图像的多尺度特征。
图像融合模块（MDL-IFM）：通过融合去雾图像的特征，生成更清晰的去雾结果，提升图像的视觉效果和质量。
雾编码器（Mist-Encode）：专门设计用于处理图像的不同频率特征，有效提取雾气信息，增强模型在去雾任务中的性能。

4.4 论文《Unsupervised single image dehazing—A contour approach》-2024年

模型的特点如下：

无监督去雾方法：无需使用任何真实值图像或传输图，克服了对配对数据集和真实深度图的需求。
创新的ContourDCP技术：利用轮廓处理和RGB颜色平面数据，能够有效识别天空区域。通过应用暗通道先验（DCP）获得初始传输图后，进一步通过轮廓方法对其进行 reformulate，以在图像去雾过程中实现天空区域的准确颜色表示。
大气光估计：基于从RGB到YCbCr颜色空间转换后的Y平面中存在的雾浓度来估计大气光。

5. 传统GAN方法的不足

5.1 论文《Unsupervised Dark-Channel Attention-Guided CycleGAN for Single-Image Dehazing》

- 2020年

模型的特点如下：

无监督注意力机制：引入注意力机制，使模型能够根据不同区域的雾浓度差异进行有针对性的去雾处理，同时保留图像的原始细节。这种方法避免了传统GAN方法中整体风格迁移的问题，确保去雾后的图像在无雾区域保持自然和真实。
训练增强的暗通道作为注意力图：创新性地使用训练增强的暗通道作为注意力图，结合了先验算法和深度学习的优势。这种方法能够更准确和快速地标记雾的浓度和区域，提高了模型的去雾效率和准确性。
无配对数据需求：该方法不需要配对的雾天和清晰图像数据集，降低了数据准备的复杂度和成本，提高了模型的适用性和灵活性。
高分辨率图像生成能力：能够充分生成高分辨率图像，确保去雾后的图像在细节和质量上满足实际应用的需求。

5.2 论文《One-Sided Unsupervised Image Dehazing Network Based on Feature Fusion and Multi-Scale Skip Connection》- 2022年

模型的特点如下：

端到端单向无监督网络：提出了一种基于生成对抗网络的端到端单向无监督图像去雾网络，直接学习雾天图像和无雾图像之间的映射关系，避免了双向映射带来的信息不平等和图像失真问题。
特征融合模块：引入特征融合模块，有效解决卷积操作导致的特征信息丢失问题，实现不同尺度特征的融合，自适应地将低级特征和高级特征进行融合，从而更好地保留原始图像的细节和特征。
多尺度跳跃连接：基于残差网络的多尺度跳跃连接，有助于保留图像的细节和特征，减少信息丢失，增强模型对图像多尺度信息的捕捉和利用能力。
对比损失与对抗损失：采用对比损失和对抗损失进行网络训练。对抗损失确保网络生成更真实的图像，而对比损失则确保从雾天图像到无雾图像的单向映射有意义，从而获得具有良好定量指标和视觉效果的无雾图像。

5.3 论文《PSD-ELGAN: A pseudo self-distillation based CycleGAN with enhanced local adversarial interaction for single image dehazing》- 2024年

模型的特点如下：

伪自蒸馏机制：利用CycleGAN在训练期间生成伪图像对，并在无监督框架中采用知识蒸馏技术。将真实清晰图像的自重建网络中的高质量特征传递给配对伪雾图像的去雾生成器，从而在不增加网络参数的情况下提升其无雾特征表示能力。
增强的局部对抗交互：在去雾生成器的输出中，自适应地选择四个受残余雾严重影响的非均匀图像块作为输入样本。局部判别器能够轻松识别这些区域的雾风格，从而进一步迫使去雾生成器抑制这些区域的雾残留，增强去雾性能。
综合实验验证：广泛的实验表明，PSD-ELGAN能够在各种数据集上实现令人满意的结果，并具有更好的通用性。

5.4 论文《HEDehazeNet: Unpaired image dehazing via enhanced haze generation》- 2024年

模型的特点如下：

专用雾气生成增强模块：HEDehazeNet引入了一个专用的雾气生成增强模块，为雾天图像的生成过程提供重要信息。该模块能够生成三种不同的传输图模式——随机传输图、模拟传输图以及两者的混合传输图。
多样化的雾天图像生成：利用这些传输图生成具有不同密度和模式的雾天图像，为去雾网络提供了更加多样化和动态复杂的训练样本集，从而增强了其处理复杂场景的能力。
改进的U-Net结构：对U-Net进行了小幅修改，将残差块替换为多尺度并行卷积块和通道自注意力机制，以进一步提升网络性能。

5.5 论文《Unsupervised multi-branch network with high-frequency enhancement for image dehazing》- 2024年（有代码）

模型的特点如下：

多分支去雾网络（MBDN）：构建了一个单一的无监督去雾网络，包含共享编码模块（SEM）和多分支解码模块（MDM）。SEM增强了特征表示的一致性，而MDM有效解决了基于CycleGAN方法的生成器学习过程中的混乱问题。
高频组件增强模块（HFEM）：基于雾天图像和对应的清晰图像在高频信息上只有细微差异的观察，设计了HFEM来补偿网络中缺失的高频信息，进一步增强了UME-Net对恢复被浓雾遮挡的边缘和纹理信息的重建能力。
无监督学习框架：无需配对的训练数据，降低了数据准备的难度和成本，提高了模型的实用性和灵活性。

6. 模型泛化能力不足

6.1 论文《PSD: Principled Synthetic-to-Real Dehazing Guided by Physical Priors》- 2021年

模型的特点如下：

从合成数据到真实数据的迁移：以在合成数据上预训练的去雾模型为骨干，利用真实雾天图像进行无监督微调，有效缩小合成数据与真实数据之间的域差距，提升模型在真实场景中的泛化能力和去雾效果。
物理先验知识的利用：引入多个经过验证的物理先验知识，并将它们组合成一个先验损失委员会，为模型微调提供指导，确保去雾结果符合物理规律，进一步提升去雾效果。
广泛的兼容性：PSD框架具有良好的兼容性，能够适配大多数现有的去雾模型作为其骨干网络，便于在不同模型上应用和推广。

6.2 论文《A novel encoder-decoder network with guided transmission map for single image dehazing》- 2022年

模型的特点如下：

输入设计：EDN-GTM以常规RGB雾天图像及其通过暗通道先验估计的传输图作为网络输入，结合了先验知识和深度学习的优势。
核心网络：采用U-Net作为核心网络进行图像分割，U-Net的编码器-解码器结构有助于捕捉图像的多尺度特征，适合处理图像去雾任务。
空间金字塔池化模块：引入空间金字塔池化模块，能够捕获不同尺度的上下文信息，增强模型对图像中不同大小物体的特征提取能力，提高去雾效果的细节表现。
Swish激活函数：使用Swish激活函数代替传统的ReLU等激活函数，Swish具有自门控特性，能够提供更好的非线性表达能力和梯度传播，有助于提升模型的训练效果和性能。
性能优势：在基准数据集上的实验表明，EDN-GTM在PSNR和SSIM指标上优于大多数传统和深度学习基于的图像去雾方案，证明了其在图像质量提升方面的有效性。
目标检测应用：EDN-GTM在目标检测问题上展示了其适用性，特别是在驾驶目标检测的图像预处理工具中，能够有效去除雾气并显著提高检测精度，以mAP衡量提高了4.73%。

6.3 论文《Dual-Scale Single Image Dehazing Via Neural Augmentation》- 2022年

模型的特点如下：

结合模型和数据驱动方法：该算法首先利用模型方法估计传输图和大气光，然后通过基于双尺度生成对抗网络（GANs）的方法对这些估计进行优化。这种结合方式既利用了模型方法在真实图像上的优势，又借助了数据驱动方法在合成图像上的优势。
神经增强：通过双尺度GANs的优化，该算法形成了一种神经增强，能够快速收敛，而对应的数据驱动方法可能无法收敛。
Koschmieder定律的应用：利用估计的传输图和大气光，结合Koschmieder定律来恢复无雾图像，确保去雾过程符合物理规律。
普适性：实验结果表明，该算法能够很好地去除真实世界和合成雾天图像中的雾气，兼具两者的优势，克服了传统方法在不同数据集上的局限性。

6.4 论文《Self-augmented Unpaired Image Dehazing via Density and Depth Decomposition》

- 2022年（有代码）

模型的特点如下：

自我增强的去雾框架：提出了一种名为D4的自我增强图像去雾框架，专注于探索雾天和清晰图像中的散射系数和深度信息，而不仅仅是估计传输图或清晰内容。
传输图分解：将传输图分解为密度和深度，使模型能够更细致地处理雾气的变化，提升去雾效果的真实性和自然度。
场景深度估计与图像重渲染：利用估计的场景深度，方法能够重新渲染不同厚度的雾天图像，进一步有利于去雾网络的训练，增强模型对不同雾气条件的适应能力。
无监督训练：整个训练过程仅需未配对的雾天和清晰图像，却能从单幅雾天图像中恢复散射系数、深度图和清晰内容，降低了数据准备的难度和成本。

6.5 论文《Towards Multi-domain Single Image Dehazing via Test-time Training》- 2022年

模型的特点如下：

测试时训练方法：提出了一种测试时训练方法，利用辅助网络帮助去雾模型更好地适应目标域。具体来说，在测试阶段，辅助网络评估去雾结果的质量，然后通过自监督指导去雾网络调整其参数以提高质量。
辅助网络与元学习：虽然引入辅助网络不一定自动保证性能提升，但采用元学习方法使去雾网络和辅助网络的目标保持一致，从而提高整体性能。

6.6 论文《DehazeDNet: image dehazing via depth evaluation》- 2024年

模型的特点如下：

基于CycleGAN的框架：利用CycleGAN的图像翻译和保持物理特性双重能力，确保模型在去雾的同时尊重雾气的物理特性。
深度评估模块（Depth Evaluation Block）：受D4模型启发，引入深度评估模块来估计图像的场景深度，提高雾气建模的准确性。
U-Net架构的应用：在深度评估模块中采用U-Net架构，因其在图像到图像的翻译任务中表现出色。
恒等损失函数：模型中加入恒等损失函数，确保去雾输出图像保留输入图像的关键特征，提高去雾图像的准确性。

7. 无监督+不训练

论文《You Only Look Yourself: Unsupervised and Untrained Single Image Dehazing Neural Network》- 2021年（有代码）

模型的特点如下：

提出了一种名为“你只看自己”（YOLY）的新型方法，这是首批无监督且无训练的神经网络之一，用于图像去雾。YOLY采用三个联合子网络，将观察到的雾天图像分解为多个潜在层次，即场景辐射层、传输图层和大气光层。之后，这三个层次以自监督的方式进一步组合成雾天图像。
YOLY的无监督和无训练特性使其能够绕过深度模型在雾天-清晰图像对或大规模数据集上的常规训练范式，从而避免了繁琐的数据收集和域偏移问题。
此外，由于其层次解缠机制，该方法还提供了一种有效的基于学习的雾气转移解决方案。

8. 对复杂、非均匀雾场的适应性不足

论文《DCA-CycleGAN: Unsupervised single image dehazing using Dark Channel Attention optimized CycleGAN》- 2022年

模型的特点如下：

暗通道注意力机制：DCA-CycleGAN采用暗通道作为输入，并通过DCA子网络生成注意力图，以处理非均匀雾气。这种注意力机制有助于模型更精准地识别和处理图像中不同浓度的雾气区域，提高去雾效果的均匀性和自然度。
局部判别器增强：除了常规的全局判别器外，模型还引入了两个局部判别器，以增强对局部浓雾区域的去雾性能。同时，提出了一种新的局部对抗损失计算策略，以更好地指导模型在局部细节上的优化。
去雾生成器结构：去雾生成器由两个子网络组成，一个是自动编码器，另一个是暗通道注意力子网络。自动编码器包括编码器、特征变换模块和解码器，而暗通道注意力子网络与编码器和特征变换模块具有相同的结构，以确保相同的感受野。通过利用暗通道生成注意力图并微调自动编码器，提高了模型对图像细节的处理能力。

9. 域偏移（合成数据集与真实带雾数据集之间）

9.1 论文《Cycle-SNSPGAN: Towards Real-World Image Dehazing via Cycle Spectral Normalized Soft Likelihood Estimation Patch GAN》- 2022年（有代码）

模型的特点如下：

无监督去雾框架：Cycle-SNSPGAN是一种无监督的去雾框架，旨在提高对真实世界雾天图像的泛化能力。它利用未配对的真实世界雾天图像样本，无需依赖它们的清晰对应图像。
SN-Soft-Patch GAN设计：设计了一种谱归一化软概率估计补丁生成对抗网络（SN-Soft-Patch GAN），以更好地利用未配对的雾天图像。
循环自感知损失：提出了一种新的循环自感知损失，避免使用地面真实图像来计算感知相似性，从而在无监督的情况下也能有效地进行模型训练。
显著颜色损失：采用了一种显著颜色损失，以使去雾后的图像如人类所期望的那样更加明亮。
小数据集训练：即使只在小数据集上进行训练，Cycle-SNSPGAN也能在视觉和数值结果上明显优于现有方法，显示出其在雾天鲁棒性和图像细节恢复方面的优势。

9.2 论文《UCL-Dehaze: Towards Real-world Image Dehazing via Unsupervised Contrastive Learning》-2022年（有代码）

模型的特点如下：

无监督对比学习：UCL-Dehaze是一种无监督的对比学习方法，能够利用未配对的真实雾天和清晰图像进行训练，无需配对数据。
正负样本利用：真实世界的清晰图像和雾天图像分别作为训练中的正样本和负样本，通过这种方式，网络可以学习到雾天图像的特征和清晰图像的特征之间的差异。
自对比感知损失函数：提出了一种新的自对比感知损失函数，鼓励恢复的图像在嵌入空间中接近正样本，远离负样本，从而提高去雾图像的质量。
对抗训练：除了整体网络架构，还采用了对抗训练来对齐正样本和去雾图像之间的分布，进一步提升去雾效果。
高效性能：即使只使用1800张未配对的真实世界图像进行训练，UCL-Dehaze在实验中也展示了其优越性，证明了其在有限数据下的有效性和高效性。

9.3 论文《DADRnet: Cross-domain image dehazing via domain adaptation and disentangled representation》- 2023年（有代码）

模型的特点如下：

共享编码器：构建一个共享编码器，将合成和真实的雾天图像映射到一个潜在空间，在特征层面缩小域差距。
特征解缠：利用一个分离器将雾天图像特征分解为无雾特征和雾特征，引入特征一致性损失和正交损失来进一步指导解缠过程。
解码器与损失函数：使用解码器从无雾特征中生成清晰图像，并引入监督和无监督损失来指导训练过程。
跨域图像重构：提出从两个域重构图像，通过重新组合分离的特征，确保信息的完整性。

9.4 论文《Visual-quality-driven unsupervised image dehazing》- 2023年

模型的特点如下：

无监督去雾网络：无需参考图像即可直接从原始雾天图像预测清晰图像。
交互融合模块（IFM）：交互式融合多级特征，弥补深层和浅层特征缺失的信息。
迭代优化模块（IOM）：迭代优化去雾结果，以获得令人满意的视觉效果。
非参考视觉质量驱动的损失函数：设计了四种损失函数，包括暗通道损失、对比度损失、饱和度损失和边缘锐度损失，使网络能够以无监督的方式进行训练

10. 依赖位置且非均匀的深度信息

10.1 论文《AED-Net: A Single Image Dehazing》- 2022年

模型的特点如下：

端到端自适应增强去雾网络：AED-Net是一种端到端的自适应增强去雾网络，旨在从雾天图像中恢复干净的场景。它通过网络的自适应机制，能够更好地处理复杂场景中的深度变化和雾气分布。
评估与比较：论文中对AED-Net进行了定量和定性的评估，与几种最先进的方法在三个常用的去雾基准数据集以及真实世界的雾天图像上进行了比较。此外，还基于去雾挑战数据集，与Codalab NTIRE 2021竞赛中得分最高的方法进行了评估。

10.2 论文《SCANet: Self-Paced Semi-Curricular Attention Network for Non-Homogeneous Image Dehazing》- 2023年（有代码）

模型的特点如下：

注意力生成网络与场景重建网络：SCANet由注意力生成网络和场景重建网络组成，前者负责生成注意力图以突出雾气遮挡区域，后者利用该注意力图进行图像重建。
亮度差异约束：利用图像的亮度差异来限制注意力图，使模型能够更准确地聚焦于雾气遮挡的区域。
自步半循环学习策略：引入自步半循环学习策略，减少训练初期的学习模糊性，提高模型的训练效率和稳定性。
非均匀雾气处理能力：通过上述设计，SCANet能够有效处理非均匀雾气分布，增强雾气遮挡区域的细节恢复能力。

11. 性能有待提高

11.1 论文《DRDDN: dense residual and dilated dehazing network》- 2022年

模型的特点如下：

端到端网络设计：DRDDN是一种完全端到端的去雾网络，能够直接从输入的雾天图像生成清晰的去雾图像，无需中间处理步骤。
扩张密集连接块：设计了扩张密集连接块，通过自适应学习过程充分利用多尺度特征。扩张卷积的使用扩大了网络的感受野，同时避免了空间信息的丢失。
深度残差连接：利用深度残差连接将低级特征传播到高级层，使得模型能够充分利用低级和高级特征进行去雾，提高了特征的利用率和去雾效果。

11.2 论文《Unpaired Deep Image Dehazing Using Contrastive Disentanglement Learning》

-2022年

模型的特点如下：

无监督学习框架：CDD-GAN是一种基于CycleGAN的无监督学习网络，能够从未配对的清晰和雾天图像中学习，无需配对的训练数据。
两类别因素解缠：将图像去雾视为一个两类别因素解缠任务，即从图像中分离出清晰图像的相关因素和雾气的相关因素。通过在深度特征空间中实现这两种因素的解缠，提高去雾效果的真实性和自然度。
对比学习集成：在CycleGAN框架中引入对比学习，以学习解缠的表示。这种方法通过引导生成的图像与潜在因素相关联，增强模型对不同因素的区分能力。
负样本生成与训练：使用负样本生成器与编码器网络交替更新，产生具有挑战性的负样本对手。这些负样本与主干网络一起进行端到端训练，通过最大化对抗对比损失来增强判别信息并促进因素解缠性能。
硬负样本与未配对清晰样本的利用：在训练过程中，硬负样本可以抑制任务不相关的因素，而未配对的清晰样本可以增强任务相关的因素，从而更好地促进雾气去除和图像恢复。

11.3 论文《AGLC-GAN: Attention-based global-local cycle-consistent generative adversarial networks for unpaired single image dehazing》- 2023年

模型的特点如下：

注意力机制集成：AGLC-GAN的生成器采用编码器-解码器结构，并引入注意力机制，包括通道注意力和像素注意力，以处理图像中不均匀的雾强度。
全局-局部一致性判别器：使用全局-局部一致性判别器识别空间变化的雾，提高判别器的稳定性和去雾效果的真实性。
循环感知一致性损失：引入循环感知一致性损失，确保特征空间的一致性，保持去雾图像与原始图像在特征层面的相似性。
动态特征增强与自适应混合模块：生成器中包含动态特征增强模块和自适应混合模块，动态获取更多空间结构化特征，并自适应地保持浅层特征的流动，提升模型对图像细节的处理能力。
无监督训练框架：基于CycleGAN构建，能够利用未配对的雾天和清晰图像进行训练，避免了对大量配对数据的需求，提高了模型的泛化能力和实用性。

11.4 论文《DFC-dehaze: an improved cycle-consistent generative adversarial network for unpaired image dehazing》- 2023年

模型的特点如下：

改进的生成器：DFC-dehaze模型将基于CNN的生成器替换为Dehazeformer-t模型，以提高去雾性能。
局部-全局判别器：引入局部-全局判别器来处理局部变化的雾气，减少恢复图像中的雾残留。
负样本惩罚机制：当生成的图像模糊或颜色不真实时，判别器通过负样本惩罚机制给予低分，以提高生成图像的质量。
结合SSIM损失：将结构相似性指数测量（SSIM）损失与循环一致性损失相结合，以提高去雾图像的视觉质量。

11.5 论文《Unsupervised Bidirectional Contrastive Reconstruction and Adaptive Fine-Grained Channel Attention Networks for image dehazing》- 2024年（有代码）

模型的特点如下：

无监督双向对比重建框架（BCRF）：建立双向对比重建约束，避免CycleGAN中的生成器学习混乱，增强对清晰图像的约束能力和无监督去雾网络的重建能力。
自适应细粒度通道注意力（FCA）：利用相关矩阵捕获不同粒度下的全局和局部信息之间的相关性，促进它们之间的交互，实现更高效的特征权重分配。

12. 先验知识不完备+数据不足

论文《Single image dehazing using generative adversarial networks based on an attention mechanism》- 2022年

模型的特点如下：

无监督学习方法：基于CycleGAN的约束传递学习能力和循环结构，对未配对的数据进行无监督图像去雾任务，避免了对配对训练数据的需求。
注意力机制集成：考虑到实际成像中雾气分布的复杂性和人类视觉特征，将改进的通道注意力和域注意力机制集成到网络中，以非均匀方式处理不同特征和不同区域。

13. 散射系数的估计

论文《Image Dehazing Using LiDAR Generated Grayscale Depth Prior》- 2022年

模型的特点如下：

基于深度图像的去雾：使用从LiDAR点云2D投影图像生成的单通道灰度深度图像进行去雾。这种方法不同于传统的基于RGB图像的去雾方法，而是利用深度信息来指导去雾过程。
散射系数估计：通过分析100张合成雾天图像，估计出最佳散射系数，并研究了最佳散射系数与暗通道之间的分布关系。通过线性回归，建立了散射系数与暗通道之间的方程，从而能够估计出适合的散射系数。
传输图像定义：去雾所用的传输图像是通过散射系数和从LiDAR 2D投影获得的灰度深度图像来定义的。这种方法结合了深度信息和散射系数，以更准确地估计传输图像。
基于大气散射模型的去雾：利用定义的大气光和传输图像，根据大气散射模型进行去雾。这种方法遵循了物理模型的指导，同时结合了数据驱动的估计方法。

14. 病态性问题+用户的主观因素

论文《Illumination Controllable Dehazing Network based on Unsupervised Retinex Embedding》

-2023 年（有代码）

模型的特点如下：

光照可控模块：IC-Dehazing基于可解释的Retinex理论，通过调整光照可控模块的因素来改变光照强度，从而实现多输出的去雾效果。
高质量图像恢复的Transformer结构：IC-Dehazing的骨干去雾网络由具有双解码器的Transformer组成，有助于实现高质量的图像恢复。
先验损失函数与无监督训练：采用基于先验的损失函数和无监督训练策略，使IC-Dehazing无需配对数据即可完成参数学习过程。