2020CVPR去雾-Multi-Scale Boosted Dehazing Network with Dense Feature Fusion

这篇文章主要有两个创新点。
一个是Dense Feature Fusion，在encoder和decoder部分都有。一个是Deep boosted dehazing network，在decoder部分引入encoder的特征深入处理。

思考了下本文的网络结构与我之前网络的异同点，只有本文网络的基础——unet结构与我相似，而其他细节处理部分是我没有的，恰恰是这两部分处理模块才是论文有价值的地方。文中说，这两部分思想一个是去噪文章常用的方法，另一个源于超分辨。因此，还是得多看文章。自己当前状态远远不够。

第一个点：密集特征融合模块
encoder和decoder部分是对称的，将处理过程中的卷积（下采样）和反卷积（上采样）操作调换一下。decoder部分为例：

每层的特征都会用于后面的每一层，同时计算每层特征时也会用到上面每一层的特征。表达式如下：

j表示特征，上面的波浪线表示融合后的特征，n表示第n层。具体的操作如下图：

在downsample和unsample过程中，因为函数p()和q()是不确定的，所以用conv和deconv，步长为2.

这个特征融合对于整个网络的结构没有影响，是可以完全去掉的，可移植性比较好，可以作为一个trick直接加到其他网络上。

第二个点：深度增强去雾网络
这部分设计的基础是unet模型的skip-connection，但不是直接作cat。表达式如下：

n是层数，i是当前层相对应的encoder层的特征，↑2表示进行2倍的unsample，G是一个refinement unit，在文中好像是Residual Group，这个不确定，等放出网络结构代码再细看。decoder的每一层都利用上一层和当前层对应的encoder层的特征，构造当前的特征。（decoder的第一层特征怎么来的？要看代码），针对上面公式所表示的处理方法，作者同时给出了其他四种方法作比较，证明所采取的方法的优越性。

在此方法提出时，作者通过Portion of Haze(PoH)来证明了本方法所借用的模型

在数学上的可行性。（没看懂这部分什么意义）