一. 论文信息简介
(1)题目的含义：
个人理解，这里的dense包含两层含义：
a. 论文针对真实场景中浓雾(dense haze covered)进行去除，这是dense的第一层含义;
b. 论文的feature network基于dense net，这是dense的第二层含义；
(2)作者信息：
本文是NTIRE（New Trends in Image Restoration and Enhancement）2019 dehaze赛道中的top1论文，方法简洁，直接，依旧沿用了data driven这个趋势，学习(extimation) haze生成模型中的关键参数，并最终取得了良好的效果.
作者来自宾夕法尼亚州立大学，电子工程系．
二.前言导读
一直以来，图像去雾是一项最具有挑战性的逆向问题．深度学习能够获得质量更高的去雾效果，将这个领域提升到一个新的状态，极大的弥补了传统模型的不足．然而，现实中图像的去雾问题仍旧是一个挑战，现实图片往往被浓雾遮挡，甚至从视觉上看不到场景信息．
深度学习的一般做法是，利用网络参数，估计haze模型中的物理参数：
ambient light(环境光) : Atransmission map(透射率) : t而haze模型如下：
其中，为被雾遮挡的实际图像，为理想中的无遮挡清晰图像（隐藏的参考图像）,为透射率， Ａ为环境光参数.
透射率，表示透明体透过光的程度，通常用透过后的光通量与入射光通量 之比表示，在这里可以理解为haze dense的程度．
环境光，我理解是当时的光照环境，同时影响颜色，阴影等效果．
估计出上述两个参数后，就可以逆向计算出.
传统的去雾方法可以参考：Single Image Haze Removal Using Dark Channel Prior，这是何凯明大神的博士之作，功底可见一斑．但是，传统的方法，和window size的选择有很大关系，形成的效果容易造成不平滑，规则简单．深度学习的方法会利用数据进行训练，利用不同尺度下的特征及复杂的非线性拟合，自发学习不同环境下的参数，达到的效果要好很多．
三．网络结构及损失函数
在这里选用其中的模型进行介绍，具体各层的详细信息请参见论文table-1, table-2.
基本的网络结构如上图，encoder部分采用densenet并利用pretrained model进行训练，encoder的特征被后面的三个decoder使用，其中：
: 学习haze-free image
:学习环境光参数
: 学习透射率参数
上述三项，分辨率是相等的，
