📖 去雾技术的发展历程与DehazeNet变种
整个图像去雾技术，大致可分为传统方法与深度学习两大阶段，而深度学习时期又可细分为几个鲜明的思路。
1. 前深度学习时代：基于物理先验的“公式派”
早期去雾依赖于物理公式（大气散射模型），公式长这样：有雾图 = 清晰图 × 透射率 + 大气光 × (1 - 透射率)。未知数比方程多，所以得靠“先验”知识来猜。
暗通道先验（DCP）：何恺明大神提出。他发现清晰图像里，局部区域总有一些像素在某个颜色通道上的值很低（“暗”）。反过来就能算出雾的浓度并去除。这是里程碑式的工作，但缺点是慢，且天空等不满足假设的区域容易出错。
2. 深度学习时代：数据驱动的“学习派”
深度学习的核心是：既然靠人猜规则不准，那就让模型自己从海量数据里学。
DehazeNet：开山之作，首次用CNN（卷积神经网络）来估算物理公式里最关键也最难猜的透射率。它设计了特殊网络层来模拟传统先验，再用公式算出清晰图。变种：AOD-Net（All-in-One Dehazing Network），它更聪明地把透射率和大气光合二为一，一步到位算出清晰图，速度更快。
端到端“暴力美学”：人们发现，既然模型这么强，为啥还守着物理公式不放？直接端到端学习“有雾→无雾”的映射，效果反而更好。
DehazeNet变种：GFN（Gated Fusion Network，门控融合网络），用编码器-解码器结构，通过“门”来控制特征融合，更精细地重建图像。
FFA-Net（Feature Fusion Attention Network）：把注意力机制带入去雾，让模型能分辨出哪里雾浓、哪里雾淡，重点处理浓雾区域，效果显著提升。
生成对抗与知识迁移：图像修复要求“看着真实”，生成对抗网络（GAN）很擅长这个。
DehazeNet变种：Cycle-Dehaze，利用CycleGAN，不需要成对的（有雾、无雾）图片也能训练，大大降低了数据获取难度。
CNN与Transformer融合：近几年，原用于自然语言处理的Transformer架构也被引进来，它擅长捕捉全局关系。
DehazeNet变种：DehazeFormer，将Transformer引入去雾，用自注意力机制像“全局扫描”一样理解整张图，能发现雾气分布的宏观规律。
C2PNet，引入对比学习，让模型对“什么样的才是好去雾”有了更清晰的认知，效果达到了顶尖水平。
📊 Mermaid总结框图
下面这张图梳理了去雾技术的发展脉络：
💡 一张表看懂核心区别
| 发展阶段 | 核心思路 | 代表模型（作为DehazeNet变种） | 关键特点 |
|---|---|---|---|
| 传统方法 | 物理先验 | DCP (暗通道先验) | 可解释性强，但鲁棒性差，天空等区域易失效 |
| 深度学习 | 物理模型+CNN | DehazeNet (奠基) | 从数据学习参数，开启深度学习去雾时代 |
| 简化物理模型 | AOD-Net | 合二为一，一步到位，速度更快 | |
| 端到端回归 | GFN, FFA-Net | 抛弃显式物理模型，用注意力机制聚焦浓雾区域 | |
| 生成对抗 | Cycle-Dehaze | 无需成对数据，生成结果更自然、更真实 | |
| Transformer融合 | DehazeFormer, C2PNet | 利用全局信息，性能达到顶尖水平 |
