ICCV2019论文。CSDN上有这篇论文的一个解析，可以参考。
大气散射模型为：，I是输入的含雾的图像； J是所需要的没有雾的图像；T是传输图(trasmission map),传输地图，其表示影响光的到达照相机传感器的距离相关的分量；A是全局的大气散射图，代表着环境的光强度。深度学习方法将图像去雾任务视为layer separation model，分成无雾层和有雾层。
论文把两种建模方式进行融合，提高去雾的表现。
另外论文还指出：这些功能的除雾预测可以捕获大多数背景细节，但是许多非雾细节也会因雾而损坏。 另一方面，深CNN层的要素负责捕获语义信息以消除输入图像中的大多数雾度，但由于它们的接收场比浅层大，因此某种程度上缺乏非雾背景细节。
网络结构如下：
论文说明了，使用多种建模方法进行模型融合可能会获得更好的结果，这启发我们是否可以在其他low-level tasks上也使用类似的方法进行融合呢？此外，论文的cross-scale设计的还是可以的，具有较大的借鉴意义.
