雾是一种较为常见的现象,通常情况下,由于能见度有限等外界环境的干扰,户外拍摄的图像会出现对比度低、图像模糊、颜色失真等图像质量下降的情况。如果把这些原始的退化图像作为输入,对后续高级计算机视觉任务,例如目标检测、人脸识别等,会产生较大的影响。图像去雾的目的是从输入的有雾图像中得到保留细节、色彩丰富的干净图像,图像去雾作为图像处理的重要环节受到了较多研究者的关注。当前的去雾算法研究中,基于图像增强的算法简单但效果不理想,基于先验的传统算法大部分泛化性较差,基于深度学习的去雾算法是目前较为主流的去雾算法。基于深度学习的去雾算法又可以分为物理模型驱动的去雾算法和端到端去雾算法。由于图像在深度网络的特征提取过程中,会丢失一部分细节信息,这些细节信息在之后难以恢复,会对后续的视觉任务造成一定的影响。同时,与物理模型驱动的去雾算法相比,端到端的去雾算法由于缺少引导,并且依赖于难以获取的成对有雾/无雾数据集,难以准确地估计有雾图像到干净图像的一对一映射,因此影响了最终去雾的效果。针对上述问题,本文结合物理模型驱动以及深度卷积网络的优势,提出了一种基于双分支结构网络的去雾算法。主干分支采用多尺度密集残差网络对透射图进行估计,用U-Net网络对大气光进行估计,同时提出了一种自适应恢复策略得到粗去雾结果;细节分支通过提取全局特征和局部特征得到细节特征图,与粗去雾结果融合后得到最终的高质量去雾结果。本文还应用了一个联合损失函数,不仅包括像素级损失,同时还考虑了先验约束下的对比损失,有利于提高最终的去雾性能以及网络训练的稳定性。实验部分展示了本文所提出算法在合成和真实数据集上的表现,与当前其他去雾算法的对比说明本文算法有更好的数值结果,生成的去雾图像更加真实自然,有着更为良好的视觉感受。