具有参数共享特性的卷积操作主要关注于图像局部特征的提取，而无法对超出感受野范围的特征进行建模，同时整幅图像共享同一个卷积核参数也忽略了不同区域的特性不同。为了克服现有方法的表达不足，提出了全局和局部特征融合去雾网络，分别利用Transformer和卷积操作提取图像全局和局部特征信息，并将两者融合后输出，充分发挥了Transformer建模长距离依赖关系和卷积操作局部感知特性的优势，实现了特征的高效表达。在最终输出复原图像前，设计了包含多尺度图像块的增强模块，利用Transformer进一步聚合全局特征信息，丰富复原图像细节。同时，提出了一个全局位置编码生成器，可自适应地根据全局图像内容信息生成位置编码，进而实现对像素点间依赖关系的二维空间位置建模。实验结果表明，所提出的去雾网络在合成和真实图像数据集上均展现出了较好的去雾性能，复原图像更加真实，细节还原度高。

为了解决原始红外图像动态范围高、图像对比度低、边缘模糊等问题，提出了一种基于自适应引导滤波的红外图像细节增强算法。首先，利用设计的参数自适应引导滤波将输入图像分成基础层和细节层。然后，利用平台直方图均衡化压缩基础层动态范围，利用掩膜加权和γ变换抑制细节层噪声并增强图像细节。最后，将处理后的基础层和细节层线性加权并拉伸到显示范围。实验结果表明，相比于传统和先进的红外图像细节增强算法，本文算法具有更强的场景适应性，在高动态范围场景、复杂室外场景以及海天场景都获得了更好的增强效果。相比于先进算法，本文算法在平均梯度上平均提高35.3%，在基于感知的图像质量评价指标上平均提高10.7%。本文算法可以有效压缩红外图像动态范围，显著提高图像对比度和清晰度，处理结果更有助于人眼观察。