目前，在去雾领域鲜有将先验信息引入到以数据驱动的深度学习方法中的工作，且大多数基于深度学习的去雾网络通常对计算机内存和算力有较高要求。为解决上述问题，本文提出一个高频信息对齐的多尺度融合去雾网络（HFMS-Net）。网络框架采用循环模式：对于生成器，通过在轻量卷积神经网络的不同深度引入残差连接，以充分利用网络的中间层特征，实现多尺度特征融合；对于判别器，网络需对其输入进行纹理信息提取，逼近去雾图像和有雾图像之间的高频信息，使基于数据驱动的网络更具物理解释性。与PFDN相比，HFMS-Net在相同设置下以约1/5的内存占用取得了更优越的性能，PSNR和SSIM分别提升了0.71、0.016。通过大量的对比实验和消融实验证明本网络的去雾性能与现有算法相比有一定的提升，对纹理信息具有更高的保真度。

随着生成对抗网络在图像超分辨（SR）领域的应用，一些感知驱动的SR方法可以恢复出纹理细节更加丰富的SR图像，有效地缓解了由PSNR主导的SR方法导致重建图像趋于平滑的问题。然而梯度信息作为图像纹理的一种重要表现形式，鲜有SR方法能准确、高效地利用。为此，提出一种基于梯度感知的图像超分辨（GASR）算法，可以更准确地利用梯度信息。一方面，使用梯度域的特征图作为作用在图像域特征图上的卷积核，有效地避免了不同域特征图串联所带来的域冲突问题；另一方面，通过对卷积核尺寸等设计细节的调整使两个分支对应位置所输出的图像域与梯度域特征图的感受野一致。此外，由于实际应用对网络轻量化需求的提高，提出的GASR算法还有效降低了参数量和计算量。与同样利用梯度信息的SPSR相比，GASR最终以约1/6的参数量与1/10的计算量取得了与其相近的性能。在Set14数据集上，LPIPS与PSNR分别提升了0.002 2与0.217。实验结果验证了GASR可以在纹理生成与图像平滑度之间取得一个很好的平衡，视觉化效果也验证了GASR不仅可以准确地恢复SR图像，而且在一定程度上缓解了杂乱纹理的生成。