丁泳鈞，黃 山

（四川大學(xué) 電氣工程學(xué)院，成都 610065）

0 概述

卷積神經(jīng)網(wǎng)絡(luò)良好的學(xué)習(xí)能力使得深度學(xué)習(xí)、人工智能得到快速發(fā)展［1］，人臉識(shí)別、目標(biāo)跟蹤等技術(shù)的應(yīng)用變得越來(lái)越廣泛，如手機(jī)人臉解鎖、無(wú)人駕駛汽車等。在無(wú)人駕駛領(lǐng)域，圖像質(zhì)量與乘客安全密切相關(guān)，在霧天情況下，空氣中存在大量懸浮顆粒物，它們對(duì)光線產(chǎn)生散射，使物體反射的光線衰減［2］，同時(shí)，這種反射光與觀察者接收的光線發(fā)生混合，造成觀察者獲取到的圖像對(duì)比度、清晰度等特征發(fā)生改變，細(xì)節(jié)信息大量丟失［3］，這對(duì)人類的視覺(jué)感知以及許多依賴計(jì)算機(jī)視覺(jué)的智能系統(tǒng)而言都是一個(gè)巨大挑戰(zhàn)。

近年來(lái)，隨著圖像去霧相關(guān)研究的不斷發(fā)展，出現(xiàn)了很多優(yōu)秀的去霧算法，其中，應(yīng)用較廣泛的是直方圖均衡化去霧算法、暗通道先驗(yàn)去霧（DCP）算法［4］、基于神經(jīng)網(wǎng)絡(luò)的去霧算法等，這些算法可以分成基于手工先驗(yàn)、基于學(xué)習(xí)先驗(yàn)兩大類。

基于手工先驗(yàn)的方法需要人手工制作圖像先驗(yàn)，具有代表性的算法是暗通道先驗(yàn)算法，該算法基于大氣散射物理學(xué)模型，通過(guò)使用圖像像素點(diǎn)先驗(yàn)來(lái)估計(jì)透射率，其復(fù)雜度較低，然而，當(dāng)場(chǎng)景對(duì)象與大氣光值相似時(shí)，該算法去霧效果不佳。此外，ZHU等［5］提出一種結(jié)構(gòu)簡(jiǎn)單但性能強(qiáng)大的顏色衰減先驗(yàn)算法，該算法為估計(jì)有霧圖像的場(chǎng)景深度建立了一種線性模型。BERMAN［6］提出一種非局部先驗(yàn)來(lái)重建原始的無(wú)霧圖像，該算法假設(shè)無(wú)霧圖像的顏色由數(shù)百種不同的顏色近似并在RGB 空間中形成緊密集群。盡管上述方法取得了一定的成功，但是基于手工先驗(yàn)的方法并不能很好地處理所有情況，且去霧處理后的圖片存在顏色失真的問(wèn)題。

基于學(xué)習(xí)先驗(yàn)的方法使用卷積神經(jīng)網(wǎng)絡(luò)或生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）［7］模型，通過(guò)大量的訓(xùn)練數(shù)據(jù)訓(xùn)練模型使其擁有去霧的能力。CAI［8］提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的端到端去霧模型DehazeNet，該模型以有霧圖像作為輸入，輸出其介質(zhì)透射圖，并通過(guò)大氣散射模型重建無(wú)霧圖像。與之類似，ZHANG［9-10］也采用深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)估計(jì)透射圖并以此重建無(wú)霧圖像，然而，不準(zhǔn)確的透射圖往往會(huì)對(duì)去霧效果產(chǎn)生不利影響。此外，ENGIN 等［11］提出一種基于循環(huán)生成對(duì)抗網(wǎng)絡(luò)（Cycle Generative Adversarial Network，CycleGAN）的改進(jìn)去霧網(wǎng)絡(luò)Cycle-dehaze，該網(wǎng)絡(luò)通過(guò)增加循環(huán)感知一致性損失以及循環(huán)一致性損失來(lái)增強(qiáng)用于單圖像去霧的CycleGAN 架構(gòu)。YANG等［12］將與霧度相關(guān)的先驗(yàn)學(xué)習(xí)引入到深度學(xué)習(xí)網(wǎng)絡(luò)中，所提算法結(jié)合了傳統(tǒng)的基于先驗(yàn)的去霧方法和深度學(xué)習(xí)方法的優(yōu)點(diǎn)。LI［13］提出一種輕量級(jí)的CNN網(wǎng)絡(luò)AODNet，該網(wǎng)絡(luò)可以直接生成無(wú)霧圖像，這種端到端設(shè)計(jì)使得研究人員可以很容易地將AOD-Net 嵌入到其他深度學(xué)習(xí)模型中。ZHANG 等［14］提出一個(gè)雙分支卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)首先提取基本特征和恢復(fù)特征，其次將這些特征通過(guò)遞歸門模塊進(jìn)行融合以獲得超分辨率的清晰特征，從而提高了生成圖像的質(zhì)量。

盡管上述方法大多取得了較好的性能指標(biāo)結(jié)果，但是普遍依賴于成對(duì)的數(shù)據(jù)集，這就意味著對(duì)于每一個(gè)有霧圖像，都需要一個(gè)與之相對(duì)應(yīng)的無(wú)霧圖像。然而，由于光照強(qiáng)度和對(duì)比度在不斷地發(fā)生變化，同時(shí)收集同一場(chǎng)景下的有霧圖像與無(wú)霧圖像時(shí)成本較高，難度較大。因此，需要探索一種不依賴于成對(duì)數(shù)據(jù)集訓(xùn)練的圖像去霧算法。

本文選用CycleGAN［15］作為基礎(chǔ)網(wǎng)絡(luò)，該網(wǎng)絡(luò)于2017 年被提出，之后廣泛應(yīng)用于圖像修復(fù)、風(fēng)格遷移等領(lǐng)域［16］。近年來(lái)，有很多優(yōu)秀的去霧算法都使用CycleGAN 及其衍生網(wǎng)絡(luò)［17］，相較傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，CycleGAN 最大的優(yōu)勢(shì)在于不需要成對(duì)的數(shù)據(jù)集進(jìn)行訓(xùn)練，大幅降低了對(duì)數(shù)據(jù)集的要求。但是，CycleGAN依然存在去霧后圖像失真的問(wèn)題。為此，本文在CycleGAN 的基礎(chǔ)上對(duì)網(wǎng)絡(luò)的損失函數(shù)進(jìn)行改進(jìn)，通過(guò)引入顏色損失函數(shù)使去霧后的圖像與原始無(wú)霧圖像具有相同的顏色分布，此外，引入特征損失函數(shù)，以保留圖像的細(xì)節(jié)特征，提高去霧后圖像的質(zhì)量。

1 網(wǎng)絡(luò)結(jié)構(gòu)

1.1 生成對(duì)抗網(wǎng)絡(luò)

GAN 采用博弈論中二人零和博弈的思想，網(wǎng)絡(luò)包括生成器和判別器，采用對(duì)抗訓(xùn)練的方式進(jìn)行訓(xùn)練。其中，生成器根據(jù)輸入圖像生成一張類似訓(xùn)練數(shù)據(jù)的虛假圖像以“騙”過(guò)判別器，而判別器的作用是區(qū)分真實(shí)數(shù)據(jù)和所生成的虛假數(shù)據(jù)，并將其判斷結(jié)果反饋給生成器，生成器根據(jù)結(jié)果再進(jìn)行訓(xùn)練，以提高生成更真實(shí)圖片的能力。通過(guò)上述過(guò)程，生成器與判別器之間會(huì)達(dá)到一個(gè)均衡的狀態(tài)，GAN 的目標(biāo)函數(shù)可以表示為：

其中：x是真實(shí)的輸入數(shù)據(jù)；Pdata(x)表示真實(shí)數(shù)據(jù)的分布；z表示隨機(jī)噪聲；P(z)表示生成網(wǎng)絡(luò)的分布。該目標(biāo)函數(shù)表示：對(duì)于判別器D，希望它能夠準(zhǔn)確分辨出生成器生成的虛假圖片，即希望D(G(z))接近于0，此時(shí)目標(biāo)函數(shù)的值最??；對(duì)于生成器G，希望它生成的每張圖片都可以騙過(guò)判別器，即希望D(G(z))接近于1，此時(shí)目標(biāo)函數(shù)的值最大。當(dāng)D(G(z))=0.5 時(shí)，就達(dá)到了平衡狀態(tài)。

1.2 循環(huán)生成對(duì)抗網(wǎng)絡(luò)

CycleGAN 的目的是實(shí)現(xiàn)X域圖像數(shù)據(jù)與Y域圖像數(shù)據(jù)的相互轉(zhuǎn)換。如圖1（a）所示，CycleGAN包含2個(gè)映射函數(shù)，分別是G：X→Y和F：Y→X，同時(shí)還包括DY和DX這2 個(gè)判別器。DY輸出的判別結(jié)果會(huì)激勵(lì)生成器G 將X向Y域中轉(zhuǎn)換，同樣，DX輸出的判別結(jié)果會(huì)激勵(lì)生成器F 將Y向X域中轉(zhuǎn)換。此外，為了保證圖像轉(zhuǎn)換時(shí)的一致性，避免出現(xiàn)X域中的所有圖片都被映射到Y(jié)域中同一張圖片的情況，CycleGAN 中引入2 個(gè)循環(huán)一致性損失，所謂循環(huán)一致性損失，指的是圖像從源域轉(zhuǎn)換到目標(biāo)域后，同樣也可以從目標(biāo)域返回到源域。圖1（b）所示為前向循環(huán)一致性損失，即圖像從X域經(jīng)過(guò)生成器G 后，再經(jīng)過(guò)生成器F 仍然可以轉(zhuǎn)換到源域，可表示為：x→G(X)→F(G(X))≈x。同理，圖1（c）所示為反向循環(huán)一致性損失，即Y域中的圖片經(jīng)生成器轉(zhuǎn)換到X域后，再經(jīng)過(guò)生成器G 仍然可以轉(zhuǎn)換到源域，可以表示為：y→F(Y)→G(F(Y))≈y。

圖1 CycleGAN 結(jié)構(gòu)Fig.1 CycleGAN structure

1.3 對(duì)抗損失

CycleGAN 中引入了2 個(gè)對(duì)抗損失，對(duì)于映射函數(shù)G：X→Y以及判別器DY，有：

其中：Pdata(x)表示X域的樣本分布；Pdata(y)表示Y域的樣本分布。式（2）表示當(dāng)生成器G 試圖讓其生成的圖像與Y域中的圖像盡可能相似時(shí)，判別器D 也在試著將真實(shí)圖片與生成的虛假圖片區(qū)分開，這樣，生成器與判別器就形成了對(duì)抗關(guān)系，因此，可以表示為。

同理，另一個(gè)映射F：Y→X和它的判別器DX也是如此，可以表示為：。

1.4 循環(huán)一致性損失

從理論上來(lái)講，當(dāng)G 和F 是隨機(jī)函數(shù)時(shí)，1.3節(jié)中的對(duì)抗損失可以使生成器G 和F 分別產(chǎn)生與目標(biāo)域Y和X相同分布的輸出。然而，僅使用對(duì)抗損失可能出現(xiàn)圖像在轉(zhuǎn)換時(shí)無(wú)法保留其內(nèi)容、結(jié)構(gòu)等信息的問(wèn)題，CycleGAN 通過(guò)引入循環(huán)一致性損失來(lái)解決該問(wèn)題。如圖1（b）所示，對(duì)于X域中的每一張圖像x，圖像的循環(huán)轉(zhuǎn)換都應(yīng)該能夠?qū)還原成原始圖像，即x→G(X)→F(G(X))≈x，同樣對(duì)Y域中的每一個(gè)圖像y來(lái)說(shuō)，G 和F 也要滿足反向循環(huán)一致性條件：y→F(Y)→G(F(Y))≈y。循環(huán)一致性損失定義如下：

其中：G(x)和F(y)是前向生成器和反向生成器；x是屬于X域的圖像；y是屬于Y域的圖像；F(G(x))和G(F(y))是重新構(gòu)建的圖像。

2 CycleGAN 改進(jìn)

CycleGAN 使用對(duì)抗損失函數(shù)使得判別器擁有判斷一張圖片是否具有目標(biāo)域風(fēng)格的能力，同時(shí)，使用循環(huán)一致性損失函數(shù)來(lái)確保重構(gòu)圖像與原始圖像大致相似。但是，在CycleGAN 中，去霧前后圖像顏色失真，此外，圖像在特定域轉(zhuǎn)換時(shí)由無(wú)關(guān)域隨機(jī)變化導(dǎo)致生成器不能很好地保留圖像特征。本文引入顏色損失和特征損失來(lái)解決上述問(wèn)題。

2.1 顏色損失函數(shù)

通常來(lái)說(shuō)，有霧的圖像缺乏亮度與對(duì)比度，因此，受文獻(xiàn)［18］的啟發(fā)，本文引入顏色損失函數(shù)來(lái)最小化無(wú)霧圖像與重構(gòu)的無(wú)霧圖像之間的誤差，以此強(qiáng)制生成器生成與無(wú)霧圖像具有相同顏色分布的圖像。顏色損失函數(shù)定義如下：

其中：()p表示一個(gè)像素點(diǎn)；∠(，)是將RGB 顏色作為3D 矢量并計(jì)算2 種顏色之間角度的運(yùn)算符；y是Y域中的無(wú)霧圖像；G(F(y))是重構(gòu)的無(wú)霧圖像。通過(guò)優(yōu)化重構(gòu)圖像與原始無(wú)霧圖像中每個(gè)像素點(diǎn)的誤差和，可以解決圖像轉(zhuǎn)換過(guò)程中顏色失真的問(wèn)題。

2.2 特征損失函數(shù)

如圖2 所示，已知CycleGAN 中有生成器映射G：X→Y，表示生成器G 將X域中的圖像轉(zhuǎn)換為Y域中的圖像，那么當(dāng)向G 中輸入原本就是Y域的圖像y時(shí)，希望G(y)與原始的y圖像盡可能地接近。因此，采用文獻(xiàn)［19］的思想，本文在2 個(gè)生成器上分別添加一個(gè)恒等映射，即G：Y→Y和F：X→X，將此映射中的損失稱為特征損失。在加入了特征損失后，生成器G 在原有輸入的基礎(chǔ)上增加了Y域圖像的輸入，生成器F 也添加了X域圖像的輸入。使用L1 損失函數(shù)對(duì)原圖像和生成的圖像進(jìn)行優(yōu)化，可以確保2 個(gè)生成器在生成目標(biāo)域圖像時(shí)能獲取目標(biāo)域中圖像的特征，從而更好地還原原始圖像的細(xì)節(jié)特征，提高生成圖像的質(zhì)量。

圖2 生成器的輸入和輸出Fig.2 Input and output of the generator

特征損失函數(shù)定義如下：

其中：x是屬于X域的圖像；y是屬于Y域的圖像；Pdata(x)表示X域的樣本分布；Pdata(y)表示Y域的樣本分布；G(y)與F(x)分別是添加了Y域圖像輸入和X域圖像輸入的生成器。

改進(jìn)之后的網(wǎng)絡(luò)總損失函數(shù)可以表示為：

其中：LGAN是對(duì)抗損失；Lcolor是顏色損失；Lcycle是循環(huán)一致性損失；Lidt是特征損失；λ和μ分別是循環(huán)一致性損失與特征損失的權(quán)值參數(shù)。λ的值選用CycleGAN 中的默認(rèn)值10，μ的值會(huì)影響網(wǎng)絡(luò)的性能表現(xiàn)，下文將對(duì)此進(jìn)行討論。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)過(guò)程

本文實(shí)驗(yàn)采用NYU-depth-v2 數(shù)據(jù)集［20］，其為圖像去霧領(lǐng)域常用的數(shù)據(jù)集，共包含1 449 張有霧圖與無(wú)霧圖，NYU 數(shù)據(jù)集規(guī)模較大，本文選擇在該數(shù)據(jù)集上進(jìn)行訓(xùn)練和測(cè)試。首先，將數(shù)據(jù)集按照一定比例隨機(jī)劃分為訓(xùn)練集和測(cè)試集，訓(xùn)練集由trainA 和trainB 這2 個(gè)部分組成，trainA 中存放有霧圖像，trainB 中存放無(wú)霧圖像，訓(xùn)練集中不包含測(cè)試集圖像的任何信息。同時(shí)，在訓(xùn)練之前將訓(xùn)練圖像壓縮至286×286 像素，以適配網(wǎng)絡(luò)要求的輸入尺寸。

實(shí)驗(yàn)所用環(huán)境為：Ubuntu16.04 系統(tǒng)，CPU 為Intel?Xeon?E5-2678 v3 @2.50 GHz，62 GB 內(nèi)存，GPU 為一塊NVIDIA 2080Ti 11 GB 顯卡，使用深度學(xué)習(xí)框架Pytorch 1.4.0，編程語(yǔ)言為Python3.6。

本次實(shí)驗(yàn)使用batch size 為1 的Adam 優(yōu)化器。網(wǎng)絡(luò)共迭代200 個(gè)epoch，在前100 個(gè)epoch 中，網(wǎng)絡(luò)的學(xué)習(xí)率保持0.000 2 不變，在之后的100 個(gè)epoch 中學(xué)習(xí)率線性衰減至0。

3.2 評(píng)價(jià)指標(biāo)

本文采用圖像去霧領(lǐng)域常用的性能指標(biāo)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)價(jià)，包括結(jié)構(gòu)相似性指數(shù)（Structural Similarity Index，SSIM）［21-22］、峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）。

SSIM 通過(guò)比較參考圖像與待評(píng)圖像的亮度、對(duì)比度和結(jié)構(gòu)，以計(jì)算2 幅圖像之間的結(jié)構(gòu)相似性，該值越大，說(shuō)明圖像失真越小，生成圖像的質(zhì)量越好。SSIM 效果可靠且具有說(shuō)服力，因此，在圖像去霧領(lǐng)域得到廣泛應(yīng)用［23］。

PSNR 通過(guò)計(jì)算待評(píng)圖像與參考圖像之間各個(gè)像素點(diǎn)的誤差之和來(lái)評(píng)價(jià)一個(gè)算法的性能，該值越高，表明圖像失真越小，重建方法越有效。

3.3 結(jié)果分析

本文實(shí)驗(yàn)主要包括3 個(gè)部分：首先，通過(guò)客觀數(shù)據(jù)證明本文算法相較其他算法的優(yōu)越性；其次，列舉消融實(shí)驗(yàn)和對(duì)比實(shí)驗(yàn)的結(jié)果，證明本文所提改進(jìn)方法的有效性；最后，討論不同的特征損失函數(shù)權(quán)值μ對(duì)網(wǎng)絡(luò)去霧能力的影響，并給出μ值的選取建議。

3.3.1 客觀評(píng)價(jià)

使用圖像去霧領(lǐng)域常用的指標(biāo)SSIM、PSNR 進(jìn)行比較，消融實(shí)驗(yàn)結(jié)果如表1 所示，從表1 可以看出，相較原始CycleGAN，在添加了顏色損失函數(shù)和特征損失函數(shù)之后，結(jié)構(gòu)相似性指數(shù)SSIM 分別提高約4 和7 個(gè)百分點(diǎn)，峰值信噪比PSNR 分別提高約3.1 和3.5個(gè)百分點(diǎn)，這證明了本文所提改進(jìn)方法的有效性。

表1 消融實(shí)驗(yàn)結(jié)果Table 1 Ablation experimental results

使用不同的去霧算法在測(cè)試集上進(jìn)行圖像去霧，性能指標(biāo)結(jié)果如表2 所示。從表2 可以看出，使用DCP算法進(jìn)行去霧后雖然提高了圖像的平均PSNR 值，但其平均SSIM 值反而下降，使用另外3 種算法去霧后圖像的性能指標(biāo)有不同程度的提升，但是本文算法依然取得了最高的平均SSIM 值和PSNR 值。

表2 去霧算法性能指標(biāo)對(duì)比結(jié)果Table 2 Comparison results of performance indexes of dehazing algorithms

3.3.2 主觀評(píng)價(jià)

本節(jié)首先通過(guò)消融實(shí)驗(yàn)證明本文引入的顏色損失和特征損失函數(shù)的有效性，隨后通過(guò)對(duì)比實(shí)驗(yàn)驗(yàn)證本文改進(jìn)后算法的優(yōu)勢(shì)。加入顏色損失函數(shù)的實(shí)驗(yàn)結(jié)果如圖3 所示，其中，左圖為未添加顏色損失函數(shù)的結(jié)果，右圖為加入顏色損失函數(shù)后的結(jié)果，從圖中的方框處可以看出，引入顏色損失函數(shù)之前圖片中桌子一側(cè)由于顏色失真引起了過(guò)度曝光的問(wèn)題，而加入顏色損失后解決了該問(wèn)題。引入特征損失函數(shù)的實(shí)驗(yàn)結(jié)果如圖4所示，從左到右依次是未添加特征損失函數(shù)處理結(jié)果、引入特征損失函數(shù)處理結(jié)果及對(duì)應(yīng)的原始圖像?？梢钥闯觯尤胩卣鲹p失后能更好地還原方框中物體的細(xì)節(jié)特征，生成的圖像更接近原始圖像。

圖3 添加顏色損失前后的去霧效果Fig.3 Dehazing effect before and after adding color loss

圖4 添加特征損失前后的去霧效果Fig.4 Dehazing effect before and after adding feature loss

將本文算法與DCP算法、CycleGAN算法、AOD-Net算法，以及基于CycleGAN的去霧算法Cycle-dehaze進(jìn)行比較，從實(shí)驗(yàn)結(jié)果中隨機(jī)抽取5張圖片，結(jié)果如圖5所示。從前2張圖片可以看出，本文算法在去霧能力上優(yōu)于3種對(duì)比算法，去霧效果更好。從后3張圖片可以看出，DCP算法去霧后存在嚴(yán)重的顏色失真問(wèn)題，而其余3種算法去霧后圖片雖然在顏色失真問(wèn)題上優(yōu)于DCP算法，但是去霧效果依然沒(méi)有本文算法明顯。因此，從主觀結(jié)果和客觀結(jié)果上可以得出，本文算法可以更好地還原圖像的細(xì)節(jié)特征及顏色信息，生成的圖像更接近原始圖像。

3.3.3μ值對(duì)網(wǎng)絡(luò)性能的影響

在證明引入特征損失函數(shù)可以有效提高網(wǎng)絡(luò)去霧性能之后，本文進(jìn)一步探究不同的特征損失權(quán)重參數(shù)μ值對(duì)網(wǎng)絡(luò)性能的影響，分別測(cè)試μ=0，0.5，1，2，4，8 時(shí)網(wǎng)絡(luò)在測(cè)試集上的性能指標(biāo)，結(jié)果如圖6所示。從圖6（a）可以看出，當(dāng)μ取0.5～8 時(shí)，網(wǎng)絡(luò)的SSIM 指標(biāo)在一個(gè)很小的范圍內(nèi)波動(dòng)，從圖6（b）可以看出，當(dāng)μ取0.5 左右時(shí)，網(wǎng)絡(luò)具有最好的PSNR 指標(biāo)，同時(shí)在訓(xùn)練過(guò)程中觀察到，當(dāng)μ的取值大于2 時(shí)，損失函數(shù)曲線收斂情況并不好。因此，根據(jù)該實(shí)驗(yàn)結(jié)果，本文建議將μ值設(shè)置在0.5 左右，以使網(wǎng)絡(luò)擁有最佳的去霧性能。

圖6 μ 取不同值時(shí)網(wǎng)絡(luò)的性能指標(biāo)Fig.6 Performance index of network with different μ values

4 結(jié)束語(yǔ)

本文提出一種基于改進(jìn)循環(huán)生成對(duì)抗網(wǎng)絡(luò)的圖像去霧算法，該算法通過(guò)引入顏色損失和特征損失來(lái)解決網(wǎng)絡(luò)去霧過(guò)程中存在的顏色失真問(wèn)題，能更好地保留原始圖像的細(xì)節(jié)特征，使得去霧效果更佳。實(shí)驗(yàn)結(jié)果表明，該算法的去霧能力優(yōu)于AOD-Net、Cycle-dehaze等算法。下一步將使用Ghost 模塊［24］替代卷積塊并結(jié)合注意力機(jī)制，在保證去霧圖像質(zhì)量的同時(shí)減少網(wǎng)絡(luò)參數(shù)，提高去霧的效率，從而將本文算法應(yīng)用于視頻去霧領(lǐng)域。