图像去雾算法研究报告

PPT版

1. 引言

图像去雾旨在恢复受大气中的雾、霾或烟雾等影响而降低可见度的图像。雾霾的存在会降低图像的对比度，改变颜色，并模糊细节，这不仅影响人类的视觉感知，还会严重影响计算机视觉系统的性能 1。图像去雾的目标是从模糊的输入图像中恢复出无雾的场景辐射 5。从本质上讲，图像去雾可以被视为一种图像增强或图像复原技术 1。对于许多依赖清晰图像信息的计算机视觉任务而言，图像去雾是一个至关重要的预处理步骤。例如，在目标检测、跟踪和自动驾驶等领域，雾霾可能会严重降低算法的准确性，而去除雾霾则可以提高这些系统的可靠性。

图像去雾技术在众多领域都具有重要的应用价值，包括自动驾驶、监控系统、遥感、航空摄影、水下成像，甚至可以提升日常照片的视觉效果 1。在自动驾驶和航空监视等应用中，由于雾霾导致的能见度下降可能会带来严重的安全风险 3。因此，开发有效的去雾算法具有重要的现实意义。

然而，单幅图像去雾是一个病态问题，因为多个无雾场景可能产生相同的模糊图像 7。估计未知的场景深度和散射系数进一步增加了问题的复杂性 11。现实世界中的雾霾是复杂且非均匀的，受到颗粒类型、大小和浓度等多种因素的影响 2。此外，现实场景中的雾霾通常伴随着低光照和噪声等其他退化因素 1。合成雾霾图像和真实雾霾图像之间的领域差异也给深度学习模型带来了巨大的挑战 5。因此，解决图像去雾问题需要复杂的算法，并仔细考虑各种影响因素。

2. 雾霾形成原理：大气散射模型 (ASM)

大气散射模型 (ASM) 为理解雾霾如何影响图像提供了一个基础框架 3。该模型将模糊图像 I(x) 描述为衰减的场景辐射 J(x) 和相机接收到的大气光（也称为天空光）A 的组合 3。在数学上，它通常表示为：I(x) = J(x)t(x) + A(1 - t(x)) 3。其中，t(x) 代表透射率图，表示光线在没有被散射的情况下到达相机的比例 5。理解雾霾形成的物理过程对于开发基于模型的去雾算法至关重要。通过理解雾霾如何降低图像质量，研究人员可以设计出逆转这一过程的方法。

大气散射模型包含以下关键组成部分：

• 大气光 (A): 表示被大气散射并到达相机的全局环境光。在实际场景中，大气光可能不是均匀的 5。
• 透射率图 (t(x)): 表示介质的透射率，指示场景中有多少光线直接传输到相机。它取决于物体到相机的距离 d(x) 和大气散射系数 β (t(x) = exp(-βd(x))) 3。在现实世界的雾霾中，散射系数也可能在空间上变化 15。
• 场景辐射 (J(x)): 这是去雾算法旨在恢复的无雾图像 3。
• 模糊图像 (I(x)): 这是在有雾条件下捕获的输入图像 3。

大气散射模型的每个组成部分在雾霾的形成过程中都起着至关重要的作用，准确估计这些组成部分对于使用基于模型的方法进行有效的去雾至关重要。通过将复杂的雾霾问题分解为可管理的参数，算法可以专注于估计每个参数。

然而，基本的大气散射模型通常假设均匀的雾霾和整个图像中恒定的大气光，这与现实世界中多变的雾霾场景并不完全相符 12。现实世界的雾霾涉及除散射之外的多种退化因素 8。当将基于简化 ASM 的方法应用于真实世界的图像时，这些局限性可能会导致去雾结果不准确并产生伪影 15。尽管 ASM 提供了一个基本的理解框架，但要解决现实世界雾霾的复杂性，还需要更高级的模型和技术。最初 ASM 的简单性是一个良好的开端，但该领域正朝着更复杂的模型发展，这些模型可以解释大气条件的各种变化。

3. 传统图像去雾方法

传统图像去雾方法主要可以分为三类：基于图像增强的方法、基于先验知识的方法和基于图像融合的方法 4。

• 基于图像增强的方法: 这类方法旨在通过增强模糊图像的对比度和细节来提高其可见度，而不显式地对雾霾形成过程进行建模 4。常用的技术包括直方图均衡化，通过扩展灰度值的范围来提高对比度 22。基于 Retinex 理论的方法，如单尺度 Retinex (SSR) 和多尺度 Retinex (MSR)，旨在通过估计和分离反射分量和照度分量来增强图像 1。频域滤波技术，如同态滤波，也可以用于增强对比度 22。图像增强方法可以快速改善视觉质量，但可能无法有效地去除浓雾或解决退化的根本物理原因。这些方法通常将雾霾视为一种普遍的图像退化形式，而不是特定的物理现象。
• 基于先验知识的方法: 这类方法利用对无雾图像的统计观察或假设来估计 ASM 中的透射率图和大气光 3。暗通道先验 (DCP) 是最有影响力的基于先验知识的方法之一，它观察到在大多数无雾户外图像的局部图像块中，至少一个颜色通道具有非常低的像素强度。该先验知识用于估计透射率图 4。然而，DCP 在天空区域或明亮物体上可能会失效 11。颜色衰减先验 (CAP) 假设雾霾密度和颜色饱和度之间存在关系，从而估计深度信息 4。它假设散射系数是恒定的，这在所有情况下可能并不成立 14。最大反射率先验 用于夜间图像去雾，假设夜间雾霾图像的每个颜色通道的局部最大强度主要由环境照明贡献 10。颜色线先验 基于雾霾场景中的颜色线推导出一个局部形成模型，以恢复场景透射率 6。基于先验知识的方法利用自然图像中的统计规律来指导去雾过程，通常能取得良好的效果，但当底层假设被违反时，其性能可能会受到限制。这些方法的有效性很大程度上取决于所选先验知识对于正在处理的特定图像的有效性。
• 基于图像融合的方法: 这类方法旨在从多个源通道或不同的处理结果中组合信息，以生成高质量的去雾图像，而不必依赖于物理模型 4。例如，融合模糊图像的不同处理版本，以增强对比度和细节等不同方面。图像融合通过整合互补信息可能是一种鲁棒的方法，但有效融合策略的设计至关重要。通过结合不同方法或视角的优势，图像融合有可能克服单个技术的局限性。

表 1：传统图像去雾方法比较

方法名称	基础原理	主要优点	主要缺点	相关文献
直方图均衡化	扩展灰度值范围以提高对比度	简单有效	可能导致过度增强，丢失细节	22
单尺度 Retinex (SSR)	基于中心/周围 Retinex 方法估计环境亮度以获取反射图像	颜色恒常性，动态范围压缩	可能导致光晕效应	1
多尺度 Retinex (MSR)	扩展 SSR 到多个尺度，平衡动态范围压缩和颜色恒常性	颜色恒常性，动态范围压缩，色彩保真度	计算成本较高	1
暗通道先验 (DCP)	无雾图像局部区域至少一个颜色通道具有极低的像素强度	在大多数户外场景中有效	在天空区域和明亮物体上效果不佳	4
颜色衰减先验 (CAP)	雾霾密度与颜色饱和度之间存在关系	计算简单	假设散射系数恒定，可能不适用于所有场景	4
最大反射率先验	夜间雾霾图像局部最大强度主要由环境照明贡献	适用于夜间图像去雾	对场景假设较强	10
颜色线先验	基于雾霾场景中的颜色线推导局部形成模型	能够恢复场景透射率	可能对噪声敏感	6

4. 基于深度学习的图像去雾

深度学习彻底改变了图像去雾领域，与传统方法相比，尤其是在处理复杂的真实世界雾霾方面，取得了显著的进步 5。卷积神经网络 (CNN) 已成为该任务的主要架构 10。深度学习模型可以通过在大型数据集上进行训练，直接学习从模糊图像到清晰图像的复杂映射 8。深度学习从数据中学习复杂模式的能力使其在具有挑战性的图像去雾任务中非常有效。与依赖于手工特征或先验知识的传统方法不同，深度学习模型可以自动学习最相关的去雾特征。

• 网络架构和训练策略: 一些深度学习方法直接学习从模糊图像到无雾图像的端到端映射，而不显式估计透射率图或大气光 8。例如，多尺度增强去雾网络 (MSDBN) 10 和全能去雾网络 (AOD-Net) 9。其他方法则使用 CNN 来估计 ASM 的参数（透射率图和大气光），然后使用这些参数根据 ASM 方程恢复去雾后的图像 6。DehazeNet 是这种方法的早期示例 6。感知去雾网络 (PDN) 等方法将基于 ASM 的解决方案的迭代优化步骤展开为深度网络，从而将物理信息融入到网络中 5。协同展开网络 (CORUN) 在此基础上通过在每个阶段协同建模大气散射和图像场景来改进 PDN 的不足 5。生成对抗网络 (GAN) 也已成功应用于图像去雾，学习复杂的数据模式并产生高质量的结果 14。编码器-解码器架构被用于生成去雾图像，同时保留更多细节 14。多尺度网络用于捕获粗略和精细的细节，以实现更好的去雾效果 6。注意力机制被引入以解决非均匀退化模式和颜色失真问题 20。半监督学习被用于利用合成数据和真实世界的无标签数据来提高在真实世界图像上的性能 3。零样本去雾方法仅使用单个模糊图像进行学习和推理，这在配对数据稀缺时非常有用 9。深度学习架构和训练策略的多样性反映了在解决图像去雾复杂性方面的持续研究和创新。研究人员正在探索各种方法来利用深度学习的能力，无论是直接学习变换还是结合雾霾形成的物理原理。
• 优点和局限性: 深度学习方法在去雾质量方面通常优于传统方法，尤其是在处理浓雾和复杂雾霾时。它们可以从大量数据中学习，并隐式地捕获复杂的雾霾特征。然而，它们通常需要大型数据集进行训练，并且由于合成数据和真实数据之间的领域差异，可能难以推广到未见过的真实世界条件 5。一些深度学习模型可能具有较高的计算复杂度，这会阻碍它们在高分辨率图像或实时系统中的应用 10。尽管深度学习取得了显著的成功，但解决数据稀疏、领域差异和计算成本等挑战对于进一步发展至关重要。该领域正在不断发展，通过领域自适应、半监督学习以及更高效网络架构的开发等技术来克服这些限制。

5. 应对真实世界图像去雾的挑战

• 领域差异: 在合成模糊图像上训练的模型可能无法很好地推广到真实世界的模糊图像，这是因为两者在雾霾特征、噪声和其他因素方面存在差异 5。真实世界的雾霾通常表现出非均匀的密度，并且可能伴随着低光照和噪声等其他退化 2。弥合领域差异是确保去雾算法实际应用的关键研究领域。能够使模型对真实世界雾霾的变化更加鲁棒的技术非常有价值。
• 处理非均匀雾霾: 真实世界的雾霾通常在空间上变化，这要求算法能够处理图像中不同雾霾密度的情况 2。估计局部大气光或透射率图的方法更适合处理非均匀雾霾 6。深度学习模型中的注意力机制也有助于关注受雾霾影响的区域 20。能够适应雾霾密度空间变化的算法对于有效去除真实世界图像中的雾霾至关重要。像基本 ASM 中那样假设均匀雾霾可能会导致图像的不同区域出现去雾不足或过度去雾的情况。
• 处理其他退化因素: 真实的模糊图像通常会受到多种退化的影响，包括噪声和低光照条件 1。去雾算法需要对这些其他因素具有鲁棒性，才能产生清晰且视觉效果良好的结果。一些方法包含用于退化定位和去除的模块，以将与雾霾相关的特征与其他伪影分离 8。需要一种整体方法来考虑不同退化因素之间的相互作用，才能实现鲁棒的真实世界图像去雾。简单地去除雾霾可能会放大图像中已存在的其他伪影，导致不令人满意的结果。
• 高分辨率图像的计算效率: 对于许多现有的深度学习模型来说，对 UHD 或 4K 等高分辨率图像进行去雾可能在计算上非常昂贵 10。开发能够对高分辨率图像进行实时去雾的轻量级高效网络是当前的研究热点 10。实际部署去雾算法通常需要在性能和计算成本之间进行权衡，尤其是在高分辨率应用中。在小图像上效果良好的算法可能由于内存和处理时间限制而无法应用于大型高清晰度图像。

6. 具体去雾算法和技术

• CORUN (协同展开网络): 通过使用透射率和场景梯度下降模块协同建模大气散射和图像场景，解决了 PDN 的局限性。引入全局一致性损失以确保符合物理定律并防止过拟合 5。
• SGLC (流线型全局和局部特征组合器): 专门为高分辨率模糊图像设计，通过有效组合全局和局部特征来理解整体场景和精细细节 13。
• PDN (感知去雾网络): 将展开网络引入 RID 领域，将基于 ASM 解决方案的迭代优化步骤展开为深度网络 5。
• DHGAN (去雾生成对抗网络): 一种使用 GAN 进行去雾的早期方法，在缩放至较小尺寸的输入图像的模糊块上进行训练 13。
• DehazeNet: 一种端到端的去雾网络，估计透射率图，然后根据 ASM 恢复清晰图像 6。
• AOD-Net (全能去雾网络): 重新制定 ASM 以直接生成清晰图像 9。
• MSDBN (多尺度增强去雾网络): 使用多尺度方法直接恢复清晰图像 10。
• FNHD-Net (全非均匀去雾网络): 一种基于全非均匀 ASM 的 CNN 网络，考虑了像素相关的大气光和散射系数 15。
• 基于偏振的去雾: 利用光的偏振特性来估计大气光强度并恢复去雾图像的技术 17。
• 自主去雾: 能够自动确定模糊程度并相应地应用去雾的方法，可能将原始图像和去雾后的图像进行混合 7。
• 零样本去雾 (ZID): 仅使用单个模糊图像进行学习和推理的去雾框架 9。
• DCP (暗通道先验) 及其变体: 一种广泛使用的基于先验知识的方法，用于估计透射率 4。

表 2：值得注意的基于深度学习的去雾算法概述

算法名称	年份	关键架构/技术	主要特点/贡献	相关文献
PDN	-	展开网络	将基于 ASM 的迭代优化步骤展开为深度网络	5
CORUN	-	协同展开网络，透射率和场景梯度下降模块，全局一致性损失	协同建模大气散射和图像场景，防止过拟合，有效恢复细节	5
SGLC	2023	流线型全局和局部特征组合器	专门为高分辨率模糊图像设计，有效结合全局和局部特征	13
DHGAN	-	生成对抗网络 (GAN)	使用 GAN 进行去雾的早期方法	13
DehazeNet	-	端到端 CNN	估计透射率图，然后根据 ASM 恢复清晰图像	6
AOD-Net	-	全能去雾网络	重新制定 ASM 以直接生成清晰图像	9
MSDBN	-	多尺度增强去雾网络	直接恢复清晰图像	10
FNHD-Net	2021	基于全非均匀 ASM 的 CNN	考虑像素相关的大气光和散射系数	15
ZID	-	零样本去雾	仅使用单个模糊图像进行学习和推理	9

7. 性能评估和数据集

• 评估指标: 峰值信噪比 (PSNR) 是一种常用的客观指标，用于衡量去雾图像与真实清晰图像之间的信号失真程度。PSNR 值越高表示重建质量越好 3。结构相似性指数 (SSIM) 是另一种广泛使用的指标，它从亮度、对比度和结构等方面评估两幅图像之间的感知相似性。其他指标，如用于衡量颜色差异的 CIEDE2000 和人类观察员的主观评估也很重要。客观指标提供了去雾性能的量化衡量标准，而主观评估则评估结果的视觉质量和自然度。仅仅依赖客观指标可能并不总是能反映人类对去雾图像感知质量的评价。
• 数据集: 已经创建了各种数据集用于训练和评估图像去雾算法。这些数据集包括合成数据集（例如，RESIDE、Haze4k、O-Haze、I-Haze）和真实世界数据集（例如，NH-HAZE、Dense-Haze、KITTI）10。合成数据集允许使用成对的模糊-清晰图像数据，这对于监督学习至关重要。真实世界数据集对于评估算法在真实世界条件下的泛化能力至关重要，尽管通常无法获得真实的清晰图像。创建大型高分辨率数据集（如 10 中提到的 4K 图像去雾数据集）对于推动该领域的发展非常重要。多样化且具有代表性的数据集对于训练鲁棒且可泛化的去雾模型至关重要。训练数据的特性会显著影响深度学习模型的性能。

表 3：图像去雾常用数据集和评估指标

数据集名称	类型	主要特点	常用评估指标
SOTS Indoor	合成	室内场景	PSNR, SSIM
SOTS Outdoor	合成	室外场景	PSNR, SSIM
Haze4k	合成	高分辨率图像	PSNR, SSIM
O-Haze	合成	室外场景，包含遮挡	PSNR, SSIM
RS-Haze	合成	遥感图像	PSNR, SSIM
RESIDE-6K	合成	大型数据集，包含各种场景和雾霾密度	PSNR, SSIM
Dense-Haze	真实世界	包含浓雾的真实世界图像	无参考指标
I-Haze	合成	室内场景，包含各种雾霾类型和密度	PSNR, SSIM
NH-HAZE	真实世界	包含各种真实世界雾霾条件的图像	无参考指标
KITTI	真实世界	自动驾驶场景图像	PSNR, SSIM

8. 图像去雾的应用

图像去雾技术在众多领域都有广泛的应用：

• 自动驾驶: 雾霾会严重影响自动驾驶汽车视觉系统的性能，影响目标检测和车道保持等任务 3。去雾可以提高自动驾驶在恶劣天气条件下的可靠性和安全性。
• 监控系统: 雾霾会降低监控摄像头拍摄图像的可见度和清晰度，难以有效地监控场景。去雾可以提高监控系统的性能，尤其是在室外环境中 1。
• 遥感: 卫星和航空图像中的雾霾会遮挡重要的地面信息，阻碍土地覆盖分类和环境监测等任务 4。去雾对于从遥感数据中提取有价值的信息至关重要。
• 航空摄影: 与遥感类似，航空图像中的雾霾会降低视觉质量，并影响测绘和城市规划等应用 7。去雾技术对于获得清晰的航空视图至关重要。
• 水下成像: 虽然片段中没有明确提到，但类似雾霾的散射效应也会降低水下图像的质量。去雾算法（有时会针对水下条件进行调整）可以提高水下图像的清晰度，用于探索和监测 2。
• 消费级摄影: 雾霾会对户外拍摄照片的美观性产生负面影响。去雾算法可以增强这些图像，提高对比度和色彩饱和度，从而获得更好的视觉效果。

这些广泛的应用领域凸显了图像去雾技术在各个行业中的实际重要性和广泛影响。从确保交通安全到更好地理解环境，有效的去雾技术具有重要的现实意义。

9. 结论与未来展望

图像去雾随着深度学习的出现取得了显著的进展，这建立在传统基于模型和基于先验知识方法奠定的基础上。虽然深度学习已经取得了最先进的性能，但在处理复杂的真实世界雾霾、弥合合成到真实的领域差距以及实现高分辨率应用的计算效率方面仍然存在挑战。

未来的研究趋势和开放性挑战包括：

• 开发更鲁棒和更具泛化能力的深度学习模型，能够有效处理各种真实世界的雾霾条件和其他退化。
• 研究无监督和半监督学习技术，以减少对大量标记数据的依赖。
• 探索将大气散射原理融入深度学习架构的物理信息神经网络。
• 开发适用于资源受限设备上实时应用的轻量级高效去雾模型。
• 进一步研究基于偏振和其他替代成像方式的去雾方法。
• 改进评估去雾图像感知质量的方法，超越传统的客观指标。
• 解决不同应用领域（如遥感和水下成像）中去雾的具体挑战。

图像去雾领域正在不断发展，当前的研究重点是解决当前的局限性并探索新的方向，以实现更有效和更实用的解决方案。未来的发展可能涉及复杂建模技术、先进的深度学习架构以及对各种大气条件下光散射物理学的更深入理解的结合。

引用的著作

1. (PDF) Recent advances in image dehazing - ResearchGate, ， https://www.researchgate.net/publication/318376846_Recent_advances_in_image_dehazing
2. Review Paper on Image Dehazing Techniques – IJERT, ， https://www.ijert.org/review-paper-on-image-dehazing-techniques
3. Deep Learning for Image Dehazing- The What, Why, and How | DigitalOcean, ， https://www.digitalocean.com/community/tutorials/image-dehazing-the-what-why-and-how
4. Classification of image dehazing methods. | Download Scientific Diagram - ResearchGate, ， https://www.researchgate.net/figure/Classification-of-image-dehazing-methods_fig3_318376846
5. Real-world Image Dehazing with Coherence-based Pseudo Labeling and Cooperative Unfolding Network - arXiv, ， https://arxiv.org/html/2406.07966
6. Single image mixed dehazing method based on numerical iterative model and DehazeNet, ， https://pmc.ncbi.nlm.nih.gov/articles/PMC8323906/
7. Autonomous Single-Image Dehazing: Enhancing Local Texture with Haze Density-Aware Image Blending - MDPI, ， https://www.mdpi.com/2072-4292/16/19/3641
8. Advancing Real-World Image Dehazing: Perspective, Modules, and Training, ， https://www.computer.org/csdl/journal/tp/2024/12/10564179/1Y2gYUazbhK
9. Zero-Shot Remote Sensing Image Dehazing Based on a Re-Degradation Haze Imaging Model - MDPI, ， https://www.mdpi.com/2072-4292/14/22/5737
10. Ultra-High-Definition Image Dehazing via Multi-Guided Bilateral Learning - CVF Open Access, ， https://openaccess.thecvf.com/content/CVPR2021/papers/Zheng_Ultra-High-Definition_Image_Dehazing_via_Multi-Guided_Bilateral_Learning_CVPR_2021_paper.pdf
11. Atmospheric scattering model of image formation in hazy weather - ResearchGate, ， https://www.researchgate.net/figure/Atmospheric-scattering-model-of-image-formation-in-hazy-weather_fig1_336443100
12. REVIEW ON DEHAZING BASED ON ATMOSPHERIC SCATTERING MODEL - IJCRT.org, ， https://www.ijcrt.org/papers/IJCRT1812781.pdf
13. Streamlined Global and Local Features Combinator (SGLC) for High Resolution Image Dehazing, ， https://openaccess.thecvf.com/content/CVPR2023W/NTIRE/papers/Benjdira_Streamlined_Global_and_Local_Features_Combinator_SGLC_for_High_Resolution_CVPRW_2023_paper.pdf
14. End-to-end image dehazing via dual principles of discriminativeness - SPIE Digital Library, ， https://www.spiedigitallibrary.org/conference-proceedings-of-spie/11179/2539974/End-to-end-image-dehazing-via-dual-principles-of-discriminativeness/10.1117/12.2539974.full
15. [2108.11292] Fully Non-Homogeneous Atmospheric Scattering Modeling with Convolutional Neural Networks for Single Image Dehazing - arXiv, ， https://arxiv.org/abs/2108.11292
16. Compensation Atmospheric Scattering Model and Two-Branch Network for Single Image Dehazing | OpenReview, ， https://openreview.net/forum?id=AkvL0WIGNZ
17. A Polarization Image Dehazing Method Based on the Principle of Physical Diffusion - arXiv, ， https://arxiv.org/html/2411.09924v1
18. Single image dehazing algorithm based on optical diffraction deep neural networks, ， https://opg.optica.org/OE/fulltext.cfm?uri=oe-30-14-24394
19. Image Dehazing Based on Accurate Estimation of Transmission in the Atmospheric Scattering Model - OneSearch - Ex Libris, ， https://caccl-copper.primo.exlibrisgroup.com/discovery/fulldisplay?docid=cdi_doaj_primary_oai_doaj_org_article_d19eebe702bd477b896bc3784d4bd0ff&context=PC&vid=01CACCL_COPPER:COPPER&lang=en&search_scope=MyInst_and_CI&adaptor=Primo%20Central&tab=Everything&query=creator%2Cexact%2C%20Chen%2C%20Changzheng%2CAND&facet=creator%2Cexact%2C%20Chen%2C%20Changzheng&mode=advanced&offset=20
20. Atmospheric scattering model. | Download Scientific Diagram - ResearchGate, ， https://www.researchgate.net/figure/Atmospheric-scattering-model_fig1_322549173
21. Estimation of Parameters in Atmospheric Scattering Dehazing Model in Accordance with Visual Characteristics | American Scientific Research Journal for Engineering, Technology, and Sciences, ， https://www.asrjetsjournal.org/index.php/American_Scientific_Journal/article/view/4581
22. (PDF) A Comprehensive Review on Various Image Dehazing Techniques - ResearchGate, ， https://www.researchgate.net/publication/366137750_A_Comprehensive_Review_on_Various_Image_Dehazing_Techniques
23. WangXudongSIA/CASM: Compensation Atmospheric Scattering Model and Two-Branch Network for Single Image Dehazing - GitHub, ， https://github.com/WangXudongSIA/CASM
24. Reliable image dehazing by NeRF - Optica Publishing Group, ， https://opg.optica.org/abstract.cfm?uri=oe-32-3-3528
25. Image Dehazing | Papers With Code, ， https://paperswithcode.com/task/image-dehazing/codeless