一. 論文信息簡介
(1)題目的含義：
個人理解，這裏的dense包含兩層含義：
a. 論文針對真實場景中濃霧(dense haze covered)進行去除，這是dense的第一層含義;
b. 論文的feature network基於dense net，這是dense的第二層含義；
(2)作者信息：
本文是NTIRE（New Trends in Image Restoration and Enhancement）2019 dehaze賽道中的top1論文，方法簡潔，直接，依舊沿用了data driven這個趨勢，學習(extimation) haze生成模型中的關鍵參數，並最終取得了良好的效果.
作者來自賓夕法尼亞州立大學，電子工程系．
二.前言導讀
一直以來，圖像去霧是一項最具有挑戰性的逆向問題．深度學習能夠獲得質量更高的去霧效果，將這個領域提升到一個新的狀態，極大的彌補了傳統模型的不足．然而，現實中圖像的去霧問題仍舊是一個挑戰，現實圖片往往被濃霧遮擋，甚至從視覺上看不到場景信息．
深度學習的一般做法是，利用網絡參數，估計haze模型中的物理參數：
ambient light(環境光) : A
transmission map(透射率) : t
而haze模型如下：
其中，
透射率，表示透明體透過光的程度，通常用透過後的光通量與入射光通量 之比表示，在這裏可以理解爲haze dense的程度．
環境光，我理解是當時的光照環境，同時影響顏色，陰影等效果．
估計出上述兩個參數後，就可以逆向計算出
傳統的去霧方法可以參考：Single Image Haze Removal Using Dark Channel Prior，這是何凱明大神的博士之作，功底可見一斑．但是，傳統的方法，和window size的選擇有很大關係，形成的效果容易造成不平滑，規則簡單．深度學習的方法會利用數據進行訓練，利用不同尺度下的特徵及複雜的非線性擬合，自發學習不同環境下的參數，達到的效果要好很多．
三．網絡結構及損失函數
在這裏選用其中的
基本的網絡結構如上圖，encoder部分採用densenet並利用pretrained model進行訓練，encoder的特徵被後面的三個decoder使用，其中：
上述三項，分辨率是相等的，
