1. 是DehazeNet的一个实现，利用透射图来得到去雾图像； 2.pytorch版本，已经针对户外和室内训练好，同时OTS和ITS的测试数据集在里边； 3. 对于不同的测试场景，需要修改预训练权重对应户外和室内； 4. 会在结果中同时保存透射图估计和最终的去雾图像； 5. 代码附有全部细节的注释，非常详细便于学习。

Detection-Friendly Dehazing: Object Detection in Real-World Hazy

在Jetson TX2的嵌入式平台中，Caffe的实现是图像除雾算法

Matlab gpr代码Two_layer_GPR_hahazing 带有图像去雾示例选择的两层高斯过程回归的源代码TCSVT。 当您使用我们提供的源代码时，请引用我们的论文“两层高斯过程回归与图像去雾的示例选择，TCSVT，2016”，作者：樊凡，王一，唐贤轩，高仁杰，罗忠轩。 说明： 请在MATLAB中运行“ GPR_dehaze.m”脚本。

gUnet源码，Rethinking Performance Gains in Image Dehazing Networks源码 我们不打算提出一个具有奇特模块的去雾网络；相反，我们对流行的U-Net进行了最小的修改，以获得一个紧凑的脱雾网络，这是论文的源码。

去雾matlab,dehaze.m。具体操作流程可私信我本人

matlab代码影响AMEF-用于图像去雾的人工多重曝光融合 AMEF是一种快速除雾技术，可以将（模糊的）曝光不足的朦胧图像版本融合为单个无雾结果 描述 用于图像去雾的AMEF方法的Matlab实现，在以下内容中进行了介绍： Image Dehazing by Artificial Multi-Exposure Image Fusion Adrian Galdran Signal Processing, 149: 135-147, Aug. 2018. PDF ：遵循此 DOI ：遵循此 该代码的融合部分来自： “曝光融合”， 汤姆·梅滕斯（Tom Mertens），简·考茨（Jan Kautz）和弗兰克·范·瑞斯（Frank Van Reeth） 在Pacific Graphics 2007会议记录中 如果此代码对您有用，请考虑适当引用每项工作。 谢谢 ：） 指示 打开amef_demo.m m文件，然后修改图像名称以处理您自己的图像。 最相关的参数是clip_range ，在大多数实验中，论文clip_range其固定为c=0.010 ，但可以更改。 较大的clip_range会尝

单个图像除雾 介绍 该程序使用暗通道先验实现单图像去雾。 编译依赖 OpenCV 脾气暴躁的 例子 演算法 使用暗通道先验去除单个图像混浊，何凯明，孙建和唐小鸥”，在CVPR 2009中 指导图像过滤，何凯明，孙健和汤小鸥”，在ECCV 2010中。

半监督单图像去雾 半监督单图像去雾代码。 依赖 pytorch >= 1.0 visdom 数据集制作 通过以下方式使您成为数据集： 合成图像：将两张图像（朦胧（HxWxC），清洁（HxWxC））对齐为一张图像（Hx2WxC）。 要注意的是，H和W应该是8的倍数。将它们（ ./datasets/dehazing/train张图像）放在./datasets/dehazing/train 。 真实的模糊图像：将它们（ ./datasets/dehazing/unlabeled张图像）放在./datasets/dehazing/unlabeled 测试图像：与1.对齐，然后将它们放在./datasets/dehazing/test 火车 您可以通过以下方式训练模型： python train.py --dataroot ./datasets/dehazing --name run_

CVPR 2022 Image Dehazing Transformer with Transmission-Aware 3D Position Embedding 源代码，很有学习价值，大佬任文琦团队的最新去雾杰作，从3D定位的角度去思考去雾。CVPR 2022 Image Dehazing Transformer with Transmission-Aware 3D Position Embedding 源代码，很有学习价值，大佬任文琦团队的最新去雾杰作，从3D定位的角度去思考去雾。CVPR 2022 Image Dehazing Transformer with Transmission-Aware 3D Position Embedding 源代码，很有学习价值，大佬任文琦团队的最新去雾杰作，从3D定位的角度去思考去雾。