【论文阅读】LAP-Net：Level-Aware Progressive Network for Image Dehazing

ICCV2019论文。
作者认为现有方法不能很好解决真实场景中dehaze问题，并且不能将不同程度的haze区分对待，具有较大局限性

网络由4各部分组成。the progressive transmission subnet (t-net) + the discrete atmospheric light subet (A-net) + the restoration layer and the adaptive integration subnet (I-net)

The t-net for transmission map estimation

$$\hat{t}^{s}=\left\{\begin{array}{ll} {\mathcal{F}\left(\mathbf{I}, \theta^{s}\right)} & {s=1} \\ {\mathcal{F}\left(\mathbf{I}, \theta^{s}, \hat{t}^{s-1}\right)} & {s>1} \end{array}\right$$

The A-net for atmospheric light estimation

这里将light estimation使用n=100的分类任务

The I-net for integrating dehazed images from multiple stages

局部熵可以评估清晰度，因为它可以评估像素的局部变化。如果图像恢复良好，则补丁中的局部变化会非常明显。否则，如果图像处理不足，则残留的雾度会导致清晰度下降，并导致较低的局部变化。

这里详见论文。

将不同level上dehaze出来的结果进行融合是本文本文最精彩的地方。