学习论文AOD-Net:All-in-One Dehazing Network
参考：
1、博客：http://kevinj-huang.github.io/2019/03/03/%E5%8D%9A%E5%AE%A289/
2、论文：https://openaccess.thecvf.com/content_ICCV_2017/papers/Li_AOD-Net_All-In-One_Dehazing_ICCV_2017_paper.pdf
PSNR:峰值讯噪比.是一个表示讯号最大可能功率和影响它的表示精度的破坏性杂讯功率的比值的工程术语。
- PSNR接近 50dB ，代表压缩后的图像仅有些许非常小的误差。
- PSNR大于 30dB ，人眼很难查觉压缩后和原始影像的差异。
- PSNR介于 20dB 到 30dB 之间，人眼就可以察觉出图像的差异。
- PSNR介于 10dB 到 20dB 之间，人眼还是可以用肉眼看出这个图像原始的结构，且直观上会判断两张图像不存在很大的差异。
- PSNR低于 10dB，人类很难用肉眼去判断两个图像是否为相同，一个图像是否为另一个图像的压缩结果。
SSIM(Structural SIMilarity)，结构相似性，是一种衡量两幅图像相似度的指标。
SSIM使用的两张图像中，一张为未经压缩的无失真图像，另一张为失真后的图像。
物理模型 前人研究
大气散射模型是经典的有雾图形生成过程
..........（1）
I(x)是有雾图像，J(x)是干净的图像，t(x)是传输矩阵，A是大气光。且t(x)定义为
β是大气散射系数，d(x)是物体到相机的距离。
CNN首先生成一个粗尺度的传输矩阵，然后对其细化
在前人的去雾方法中，为了从雾霾中回复干净的场景，需要首先通过最小化重构误差来学习t(x),
估算出准确的传输矩阵，再用传统方法估计计算大气光A，
由（1）式回复干净图像。
把传输矩阵t(x)和大气光A(x)分别做估计，这会导致误差的累积，并且可能互相放大。
在AOD模型中，直接输出去雾后的干净图像，不需要任何中间步骤来估计参数。
AOD模型
Transformed Formula
一般的去雾公式里，清晰的图像可以表示为:
一般把t和A分别做估计，这很显然不利于去雾，这里将这两者结合在一起，
令为K,则上式可以表示为:
其中b是一个偏置项，默认为1,这样通过估计K，就可以对A和t进行联合估计了。
Network Design
网络包括一个K估计模块和一个包含相乘和若干卷积层堆叠而成的生成模块。
K估计模块，顾名思义，就是估计上式中的K，其代表的是雾的深度和程度。
其包括五个卷积层，为了将不同层级的特征结合在一起，这里将卷积1、2层concat，卷积2/3层concat在一起，
卷积1/2/3/4层concat在一起，融合多种特征也可以避免信息的损失。
整体网络的组织形式如下，最后一个相乘是和输入图进行相乘的:
这个K估计模块是必要的，去雾不同于一般的降质过程。雾霾本质上会带来不均匀的，取决于信号的噪声：
由雾霾引起的表面场景衰减与表面与相机之间的物理距离相关（ 即像素深度）。
这与假定噪声和信号独立的普通图像降级模型不同。因此，所有信号都经过相同的参数化降级过程。
因此，可以使用一个静态映射功能轻松地对其存储模型进行建模。
这同样不能直接应用于除雾：退化过程因信号而异，并且恢复模型也必须具有输入适应性。
