1 模型设计
post-processing：对网络估计出的传播图又用了导向滤波器进行后续的优化
2 训练
数据集 NYU-V2 Depth dataset
前提：(1)全局大气光B服从[0.7.1]均匀分布;（2）大气散射系数从[0.6，2.8]随机选择；（3）针对每个无雾清晰图像以及对应的深度图，我们随机选择5个全局大气感和大气散射系数，人工合成有雾图像；（4）所有样本采样到207x154的大小
训练集：1300张 x 5
验证集：101张 x 5网络参数
权重：高斯初始化
学习率：0.001 动量参数：0.9
batch size：32
损失函数：大气光估计子网络的损失函数是：SSIM误差；传播图估计子网络的损失函数是：均方误差；因此，整个网络的损失函数上面两个误差之和。
优化方法：Adam
框架：Tensorflow对比实验
卷积核个数的实验比较：整个网络的卷积核个数（特征图个数）候选：8、16、32、64
卷积核大小的实验比较：整个网络的卷积核大小（局部感受野）候选：3x3、5x5、7x7
共享层网络深度的实验比较：共享层网络深度候选：3、4、7、9
传输子网络深度的实验比较：传输层子网络深度候选：2DB、3DB、5DB（dense block)
3 测试
合成图像测试
比较内容：
1、定量比较：MSE、PSNR、SSIM、Run time
2、定性比较：显示估计出的传播图以及去雾后的彩色图
测试集：未说明，看图应该也是NYU Depth dataset里的真实图像测试
比较内容：传播图的比较以及去雾后彩色图的比较