我们提出了一个两阶段的弱监督dehazing框架，RefineDNet。
在第一阶段，RefineDNet在恢复可见性之前采用暗通道-----恢复可见性
在第二阶段，对结果细化，通过使用未配对的雾状清晰图像进行对抗性学习--------提高真实性（只需要去除伪影—弱监督）
为了得到更合格的结果，我们还提出了一种有效的感知融合策略来融合不同的去杂输出。
基于学习的视觉效果好，基于先验的去雾效果好。
感知融合策略：
由于细化图像和重建的去模糊图像以不同的方式生成，因此它们不可能在所有区域中执行相同的操作。在某些地区，它们中的任何一方都很可能表现优于另一方。因此，在其中任何一个中融合更好的区域都可以提高性能。
通过给 合成雾图 与 真实雾图 之间做Loss，来更新Rt（透射模块的网络）—文中附录c
通过 鉴别器D 更新Rj
利用 Ireal 的真实性 与 两张干净的图像的相似性 作为去雾图像的真实性标准，
VSI计算公式：
https://zhuanlan.zhihu.com/p/210899060
