Marco Liu1. GridDehazeNet论文精读：基于网格结构的端到端去雾网络解析
在计算机视觉领域，图像去雾一直是个极具挑战性的任务。传统方法往往依赖于大气散射模型的物理先验，而近年来深度学习技术为这个领域带来了突破性进展。今天我们要深入剖析的GridDehazeNet，就是2019年发表在CVPR上的一篇经典去雾论文，它创新性地提出了网格状网络结构，在多个基准数据集上达到了当时的最优性能。
作为一名长期关注低层视觉任务的算法工程师，我发现这篇论文的价值不仅在于其出色的去雾效果，更在于它对网络架构设计的启发。GridDehazeNet巧妙地融合了密集连接和注意力机制，为后续的图像复原任务提供了重要参考。本文将带大家深入理解这篇论文的技术细节，包括网络架构设计、训练策略以及在真实场景中的应用效果。
1.1 图像去雾的任务挑战
图像去雾的核心难点在于雾霾形成的物理过程具有高度不确定性。大气散射模型描述了雾图形成的物理过程：
code复制I(x) = J(x)t(x) + A(1-t(x))
其中I(x)是观测到的雾图，J(x)是清晰图像，t(x)是透射率图，A是全球大气光。要从单张雾图恢复清晰图像，需要同时估计t(x)和A这两个未知量，这本质上是个病态逆问题。
传统方法如暗通道先验(DCP)通过统计规律估计透射率，但往往在天空区域失效或产生光晕伪影。早期的深度学习方案如DehazeNet尝试用CNN直接估计透射率，但仍受限于物理模型的准确性。GridDehazeNet的创新之处在于完全摒弃了显式的物理模型，通过端到端学习直接从雾图预测清晰图像。
1.2 网络架构设计解析
GridDehazeNet的核心创新是其网格状主干网络，如下图所示（此处应有架构图描述）：
code复制输入 → 预处理模块 → 网格模块(重复N次) → 后处理模块 → 输出
每个网格模块包含四个关键组件：
- 局部特征提取单元：使用3×3卷积捕获局部纹理
- 下采样单元：通过stride=2卷积压缩特征图尺寸
- 上采样单元：使用转置卷积恢复空间分辨率
- 注意力融合单元：自适应加权不同层次的特征
这种设计实现了多尺度特征的有效融合。与传统的编码器-解码器结构相比，网格状连接确保了浅层和深层特征的充分交互。论文中