摘要现有的单图像去雾方法使用很多约束和先验来获得去雾结果，去雾的关键是根据输入的雾图获得得到介质传输图（mediumtransmissionmap)这篇文章提出了一种端到端的可训练的去雾系统—DehazeNet，用于估计介质传输图DehazeNet中，输入为雾图，输出为介质传输图，随后通过大气散射模型恢复无雾图像。DehazeNet网络采用卷积神经网络深度架构，该网络的每层都经过特殊的设计以应用现有的假设和先验。Maxout单元用于特征提取，几乎可以产生大多数雾相关的特征。提出了一种非线性激活函数BRelu，其能够提高图像去雾的质量Introduction当前的去雾方法：直方图方法；对比度方

1、图像去雾算法分类：图像去雾分为图像恢复和图像增强，在图像恢复中又分为单图像去雾和多图像去雾，图像去雾中使用的物理模型是大气散射模型，可参考暗通道先验中对大气散射模型的解释。2、与雾相关的特征（1）暗通道先验：清晰图像块的RGB颜色空间中有一个通道很暗（数值很低甚至接近于零）。暗通道为局部区域中所有像素颜色的最小值:：暗通道先验可直接用于估计透射率t(x)，t(x)正比于1-D(x)。（2）最大化对比度：根据大气散射模型，图像的对比度因雾度而降低为，基于该观察，局部对比度是s×s局部pitch中像素强度相对于中心像素的方差，局部最大值为r×r区域r中的局部对比度值定义为C(x)：通过最大化局