參考：
1、博客：http://kevinj-huang.github.io/2019/03/03/%E5%8D%9A%E5%AE%A289/
2、論文：https://openaccess.thecvf.com/content_ICCV_2017/papers/Li_AOD-Net_All-In-One_Dehazing_ICCV_2017_paper.pdf
PSNR:峰值訊噪比.是一個表示訊號最大可能功率和影響它的表示精度的破壞性雜訊功率的比值的工程術語。
- PSNR接近 50dB ，代表壓縮后的圖像僅有些許非常小的誤差。
- PSNR大於 30dB ，人眼很難查覺壓縮后和原始影像的差異。
- PSNR介於 20dB 到 30dB 之間，人眼就可以察覺出圖像的差異。
- PSNR介於 10dB 到 20dB 之間，人眼還是可以用肉眼看出這個圖像原始的結構，且直觀上會判斷兩張圖像不存在很大的差異。
- PSNR低於 10dB，人類很難用肉眼去判斷兩個圖像是否為相同，一個圖像是否為另一個圖像的壓縮結果。
SSIM(Structural SIMilarity)，結構相似性，是一種衡量兩幅圖像相似度的指標。
SSIM使用的兩張圖像中，一張為未經壓縮的無失真圖像，另一張為失真后的圖像。
物理模型 前人研究
大氣散射模型是經典的有霧圖形生成過程
..........（1）
I(x)是有霧圖像，J(x)是干凈的圖像，t(x)是傳輸矩陣，A是大氣光。且t(x)定義為
β是大氣散射系數，d(x)是物體到相機的距離。
CNN首先生成一個粗尺度的傳輸矩陣，然后對其細化
在前人的去霧方法中，為了從霧霾中回復干凈的場景，需要首先通過最小化重構誤差來學習t(x),
估算出准確的傳輸矩陣，再用傳統方法估計計算大氣光A，
由（1）式回復干凈圖像。
把傳輸矩陣t(x)和大氣光A(x)分別做估計，這會導致誤差的累積，並且可能互相放大。
在AOD模型中，直接輸出去霧后的干凈圖像，不需要任何中間步驟來估計參數。
AOD模型
Transformed Formula
一般的去霧公式里，清晰的圖像可以表示為:
一般把t和A分別做估計，這很顯然不利於去霧，這里將這兩者結合在一起，
令為K,則上式可以表示為:
其中b是一個偏置項，默認為1,這樣通過估計K，就可以對A和t進行聯合估計了。
Network Design
網絡包括一個K估計模塊和一個包含相乘和若干卷積層堆疊而成的生成模塊。
K估計模塊，顧名思義，就是估計上式中的K，其代表的是霧的深度和程度。
其包括五個卷積層，為了將不同層級的特征結合在一起，這里將卷積1、2層concat，卷積2/3層concat在一起，
卷積1/2/3/4層concat在一起，融合多種特征也可以避免信息的損失。
整體網絡的組織形式如下，最后一個相乘是和輸入圖進行相乘的:
這個K估計模塊是必要的，去霧不同於一般的降質過程。霧霾本質上會帶來不均勻的，取決於信號的噪聲：
由霧霾引起的表面場景衰減與表面與相機之間的物理距離相關（ 即像素深度）。
這與假定噪聲和信號獨立的普通圖像降級模型不同。因此，所有信號都經過相同的參數化降級過程。
因此，可以使用一個靜態映射功能輕松地對其存儲模型進行建模。
這同樣不能直接應用於除霧：退化過程因信號而異，並且恢復模型也必須具有輸入適應性。