1. 是DehazeNet的一个实现，利用透射图来得到去雾图像； 2.pytorch版本，已经针对户外和室内训练好，同时OTS和ITS的测试数据集在里边； 3. 对于不同的测试场景，需要修改预训练权重对应户外和室内； 4. 会在结果中同时保存透射图估计和最终的去雾图像； 5. 代码附有全部细节的注释，非常详细便于学习。

在Jetson TX2的嵌入式平台中，Caffe的实现是图像除雾算法

完成毕业设计时写的代码，可以正常运行，附带结果图和输入原图，可以直接使用 运行前先安装requirements.txt中需要的库 运行muliple_test_inference.py 文件 vis_results中是我得到的去雾结果

基于DEHAZENET和HWD方向滤波器组的水下图像去雾与增强,matlab2021a测试或者高级版本测试。

【图像增强】基于DEHAZENET和HWD的水下去散射图像增强

matlab图像清晰处理代码DehazeNet：单图像雾度去除的端到端系统 蔡伯伦，徐向民，贾佳，青春梅，陶大成，[曾令科] 介绍 去除单个图像的雾霾是一个挑战性的不适定问题。 现有方法使用各种约束/先验来获得合理的除雾解决方案。 去除雾度的关键是为输入的雾度图像估计介质透射率图。 在本文中，我们提出了一种称为DehazeNet的可训练端到端系统，用于媒体传输估计。 DehazeNet将雾度图像作为输入，并输出其介质传输图，随后将其用于通过大气散射模型恢复无雾度图像。 DehazeNet采用基于卷积神经网络（CNN）的深度架构，其层经过专门设计，以体现图像去雾的既定假设/先验条件。 具体来说，Maxout单元的图层用于特征提取，可以生成几乎所有与雾度相关的特征。 我们还在DehazeNet中提出了一种新型的非线性激活函数，称为双边整流线性单元（BReLU），它能够提高恢复的无雾图像的质量。 我们在提议的DehazeNet的组件和现有方法中使用的组件之间建立连接。 在基准图像上进行的实验表明，DehazeNet比现有方法具有更高的性能，但保持高效且易于使用。 如果您在研究中使用这些代码，

DehazeNet: An End-to-End System for Single Image Haze Removal

对蔡博士的DehazeNet的文献翻译，不是机械地简单地用翻译器直出，而是逐句修改，重点圈画明显，并且有相应的个人注解。并且与其程序相呼应。