在本节中，解释了所提出的 AOD-Net。 我们首先介绍转换后的大气散射模型，AOD-Net 是基于该模型设计的。 然后详细描述AOD-Net的结构。 此外，由于其端到端设计，我们通过将所提出的模型直接嵌入到其他现有的深度模型中，讨论了将其扩展到模糊图像上的高级任务。
变换后的公式
根据公式 (1) 中的大气散射模型，得到的清晰图像为：
网络设计
所提出的 AOD-Net 由两个部分组成（见图 4）：一个使用五个卷积层来估计K(x) 的 K -估计模块，接着是一个清晰图像生成模块，该模块由逐元素相乘层和若干逐元素相加层组成，通过计算公式 (4) 生成复原图像。
K-估计模块是 AOD-Net 的关键组件，负责估计深度和相对雾度水平。如图 4(b) 所示，我们使用五个卷积层，通过融合不同大小的滤波器来形成多尺度特征。[3] 采用了不同滤波器尺寸的并行卷积，[17] 则将粗尺度网络的特征与精细尺度网络的中间层相连接。受到这些方法的启发，AOD-Net 的“concat1”层连接了“conv1”和“conv2”层的特征。“concat2”同样连接“conv2”和“conv3”层的特征；“concat3”则连接“conv1”、“conv2”、“conv3”和“conv4”层的特征。这样的多尺度设计捕捉了不同尺度的特征，中间层的连接也弥补了卷积过程中信息的损失。
作为验证连接的简单基线方法，我们在 TestSetA（见第 4 节）上尝试了不使用连接的结构，即“conv1” → “conv2” → “conv3” → “conv4” → “conv5”。得到的平均 PSNR 为 19.0674 dB，SSIM 为 0.7707，两者均低于表 1 中的当前结果（尤其是 SSIM 的大幅下降）。值得注意的是，AOD-Net 的每个卷积层仅使用三个滤波器，因此与 [3] 和 [17] 等现有的深度方法相比，我们的模型更加轻量。
与高级特征任务相结合
高级计算机视觉任务（如目标检测和识别）关注视觉语义，并已受到广泛关注 [16, 30]。然而，这些算法的性能通常受到多种降质因素的影响。传统方法首先通过单独的图像复原步骤作为预处理，再输入目标的高级任务中。近期，[27, 4] 证明了复原与识别步骤的联合优化能优于传统的两阶段方法。
先前的研究 [31] 已探讨了噪声、模糊和低分辨率等常见降质的影响及其补救方法。然而，据我们所知，目前还没有类似的研究定量地分析雾霾对高级视觉任务的影响及其缓解方法。当前的去雾模型主要关注复原质量，而我们迈出了实现这一重要目标的第一步。由于其独特的端到端设计，AOD-Net 可以无缝嵌入其他深度模型中，形成一个能够在雾霾图像上执行高级任务的管道，并在其中隐式地进行去雾处理。这种管道可以端到端地联合优化，以提升性能，而如果将 AOD-Net 替换为其他深度去雾模型 [3, 17]，这种优化将无法实现。