Matlab代码金字塔DCPDN 密集连接的金字塔除雾网络（CVPR'2018） ， []（CVPR'18） 我们提出了一种新的端到端单图像除雾方法，称为密集连接金字塔除雾网络（DCPDN），该方法可以共同学习透射图，大气光和除雾。 通过将大气散射模型直接嵌入到网络中来实现端到端学习，从而确保所提出的方法严格遵循物理驱动的散射模型进行除雾。 受到密集网络的启发，该网络可以最大化沿不同级别特征的信息流，我们提出了一种具有多级金字塔池模块的边缘保持密集连接的编码器/解码器结构，用于估计传输映射。 该网络使用新引入的边缘保留丢失功能进行了优化。 为了进一步结合估计的透射图和去雾结果之间的相互结构信息，我们提出了一种基于生成对抗网络框架的联合判别器，以决定相应的去雾图像和估计的透射图是真实的还是假的。 进行了消融研究，以证明在估算的透射图和除雾后的结果中评估的每个模块的有效性。 大量的实验表明，与现有技术相比，该方法具有明显的改进。 @inproceedings{dehaze_zhang_2018, title={Densely Connected Pyramid Dehazing Net

Unity Shader学习：动态雾，供大家参考，具体内容如下 先将相机近裁面四个角向量传给shader，再通过观察空间下的深度值和相机位置算出像素在世界坐标系的位置，通过世界空间高度值来设定雾的范围和浓度，然后通过噪声和uv偏移实现扰动效果。得到了类似寂静岭或恶灵附身1的效果。 C#部分： using System.Collections; using System.Collections.Generic; using UnityEngine; [ExecuteInEditMode] public class RayMarchingCamera : MonoBehaviour { p

SSR、MSRCR、Retinex和暗通道四种去雾算法的matlab实现，亲测好用，改图片名可以直接运行，效果很好

里面是收集的近几年的变分框架下的图像去雾参考文献。

本资源为图像去雾质量评价MATLAB代码，通过新增可见变比、平均梯度、饱和像素百分比三个指标评价去雾图像质量。将代码下载解压后，MATLAB路径设置为解压文件夹，点击主函数即可运行。

何凯明图像去雾算法源代码实现，基于暗通道先验的算法，非常有效果

半监督单图像去雾 半监督单图像去雾代码。 依赖 pytorch >= 1.0 visdom 数据集制作 通过以下方式使您成为数据集： 合成图像：将两张图像（朦胧（HxWxC），清洁（HxWxC））对齐为一张图像（Hx2WxC）。 要注意的是，H和W应该是8的倍数。将它们（ ./datasets/dehazing/train张图像）放在./datasets/dehazing/train 。 真实的模糊图像：将它们（ ./datasets/dehazing/unlabeled张图像）放在./datasets/dehazing/unlabeled 测试图像：与1.对齐，然后将它们放在./datasets/dehazing/test 火车 您可以通过以下方式训练模型： python train.py --dataroot ./datasets/dehazing --name run_

图像去雾的几种经典方法 有空间双边滤波去雾 暗通道去雾 引导滤波去雾 图像去雾质量评价标准等代码

煤矿智能视频监控中常常碰到许多雾尘图像且伴有各种随机噪声,对应的图像降质严重影响了后续视频图像处理工作,因此提出一种基于暗原色先验与双边滤波器的去雾除尘和同步去噪算法。结合已有的大气散射物理模型,推导建立煤矿雾尘图像退化模型。考虑煤矿雾尘图像的特点,设计基于暗原色先验知识的大气光、粗略透射率估计的方法与步骤。分析粗略透射率图的优化要求以及双边滤波器的特性,引入联合双边滤波器快速获得精细透射率图。依据图像退化模型构建正则化目标函数,求取转换图像并进行高斯双边滤波,获得复原图像并同步实现噪声的有效去除。实验结果验证了算法的有效性,与已有去雾算法相比计算效率有较大提高,且复原质量良好适合于煤矿智能视频监控环境。

对水下模糊的图像用偏振的物理方法实现去雾的matlab代码，附水下图片