除了估計大氣光值的大小，估計透射率也是很關鍵的因素。
該算法的貢獻：
- end2end系統，直接學習並估計透射率與有霧圖像的關係。由特殊的網絡結構決定。
- 提出新穎的nonlinear激活函數，稱爲BReLU（雙邊ReLU）
- 與現有的先驗知識和假設建立聯繫，並可以通過網絡可以自己學會
有霧圖像特徵：
- 暗通道
文獻：He等人的暗通道先驗
2.對比度最大值
文獻：Tan等人的Visibility in bad weather from a single image
3.顏色衰減先驗
文獻：Zhu等人的A fast single image haze removal algorithm using color attenuation prior
4.色度不一致
文獻： Ancuti等人的A fast semiinverse approach to detect and remove the haze from a single image
網絡的設計
- 第一層是特徵提取層，即提取有霧圖像特徵。根據不同的假設與先驗設計不同的濾波器。舉的例子中有16個濾波器。其中每四個是上述一種先驗特徵濾波器。通過maxout unit的激活函數，每四個輸出一張圖。這裏不padding，輸入是3*16*16三通道的塊。輸出的是四個16*12*12,每一個代表一種特徵。
- 使用多尺度的平行卷積操作。由於多尺度特徵被證明有利於去霧並且在inception的模型中也用到了平行卷積，即同一張圖用不同尺度的卷積核進行卷積。分別用16個3*3、16個5*5和16個7*7的卷積核進行卷積，每一種尺度產生16個，並且通過padding每張圖大小應該是一致的。總共獲得48個48*10*10。
- Maxpooling對局部數據敏感，另外根據假設透射率有局部不變性，所以用一個7*7局部最大值濾波替代maxpooling。輸出是48個48*6*6
- 通過1個4*4的卷積核，產生1*1的標量，並且使用的激活函數爲BReLU。因爲ReLU抑制了小於0的數，只適用於圖像分類等方面，並不適合圖像復原。因爲最後的透射率圖允許高於1或者低於0。所以提出了BReLU，既保持了局部線性，又保持了雙邊的限制。輸出的是一個標量，即輸入塊中心點的透射率值。
測試結果：
使用深度學習等方法做去霧的一大缺點就是需要有groundtrue，自然場景中同時拍到有霧與無霧圖像幾乎是不可能的。所以數據集基本都是室內場景圖片加上人工加霧處理。這與自然場景的霧存在偏差，所以把該算法用在自然場景效果不佳。