针对当前去雾算法中容易产生的图像伪影、图像颜色失真、图像细节模糊不清等问题，提出一种并行多尺度注意力映射图像去雾算法，通过端到端方式以编码器解码器结构实现图像去雾。在编码阶段，采用连续下采样层降低特征维度，避免过拟合。在特征转换阶段，采用并行分支结构设计并行多尺度注意力映射模块，使模型能够在关注图像重要特征的同时充分利用多尺度特征，并通过并行连接选择性特征融合模块有效收集图像空间结构信息。解码阶段，采用上采样层重构图像，并通过上下采样层融合更好地保留图像边缘信息。实验结果表明，该算法在合成雾天数据集以及真实雾天图像上均具有较好的去雾效果，相较于传统去雾算法，可更好地保留图像细节，具备较好的色彩保持度。

针对现存的低照度图像视觉效果差和图像质量低的问题,提出了一种基于级联残差生成对抗网络的低照度图像增强算法,该算法将构建的级联残差卷积神经网络作为生成器网络和改进的PatchGAN作为判别器网络。首先根据Retinex理论,通过正常照度图像合成训练样本,再将低照度图像从RGB空间转换到HSV颜色空间,保持色调分量和饱和度分量不变,利用级联残差生成器网络对亮度分量增强。通过判别器网络监督生成器网络不断增强低照度图像,二者相互博弈,最终使生成器网络具备较好的低照度图像增强的能力。实验结果表明,本文增强算法在合成的低照度图像和自然的低照度图像上,获得了更为良好的视觉效果和对比度,特别在合成的低照度图像上,其峰值信噪比和结构相似度明显优于其他对比算法。

针对传统的基于先验知识与假设条件的去雾算法在实际应用中受到太多限制的问题, 本文提出了一种基于端到端卷积神经网络的去雾算法, 即通过学习雾天图像与清晰图像之间的映射关系实现图像去雾。首先, 该算法采用了多尺度映射, 通过多尺度的卷积提取出雾霾图像的较多细节信息特征; 其次, 运用反卷积以减少训练网络的复杂性; 最后, 结合浅层与深层的合并机制将删除特征图中的伪像素, 提高恢复无雾图像的质量。实验结果表明, 本文提出的去雾算法在自然雾天图像和合成雾天图像上均优于其它对比算法, 并且合成雾天图像在结构相似度(SSIM)和峰值信噪比(PSNR)两个重要的图像评价指标上都取得了良好的表现。