由于空气中的水滴和灰尘的光学吸收和散射，导致雾天无人机摄像头拍摄的图像质量严重下降。无人机图像通常在较高高度拍摄。雾气越浓，图像劣化越严重。物体检测、目标跟踪和区域分割等计算机视觉任务的成功取决于退化最小的高质量图像。因此，无人机内置的浓雾去除算法可以增强无人机在大雾天气下的视觉成像能力。这篇文章提出了一种基于无人机图像的厚雾数据集，名为 Aerial-Fog。设计了一种基于风格迁移的分类引导浓雾去除网络，以提高无人机成像质量。

首先，该研究对浓雾去除方法进行了分类。其中，基于图像先验的浓雾去除方法采用大气散射模型来去雾，但在某些情况下效果有限。而基于学习的浓雾去除方法则利用深度网络在合成的浓雾图像上进行快速去雾。接着，该研究提出了ClassifyCycle网络的架构。该网络包括图像分类模块（ICLFn）和去雾模块（ISMn）。图像分类模块用于对图像进行分类，以指导去雾模块的去雾过程。去雾模块采用了生成对抗网络（GAN）和循环一致性损失来进行浓雾去除。在训练过程中，该研究使用交叉熵损失来训练图像分类模块，使用对抗损失和循环一致性损失来训练去雾模块。这些损失函数帮助网络学习生成逼真的去雾图像，并保持图像的一致性和稳定性。最后，该研究将ClassifyCycle模型嵌入到无人机图像处理流程中，以实现浓雾去除。实验结果表明，在嵌入模型之前进行图像压缩可以获得更好的去雾效果，所提出的 ClassifyCycle 网络在浓雾天气下捕获的合成和真实无人机图像上超越了最先进的算法。

图2.提出的主要架构，其内容包括（i）图像分类模块（ICLFn）； (ii) 风格迁移模块（ISMn）。

图6.使用未压缩雾天图像和压缩雾天图像的比较。

图7.数据集的一些图像。(a)不同类别的真实情况。(b)与(a)图像相对应的不同浓度的雾图像。

图12. (A)-(D)中的图像是通过不同网络配置输入图像的去雾结果。

表4. ClassifyCycle 的消融研究。粗体文本表示最佳性能

文献来源：Yan Liu , Wenting Qi , Guan Huang , Fubao Zhu ,and Yanqiu Xiao.2023."Classification guided thick fog removal network for drone imaging: ClassifyCycle".Optics Express,31(24):39323.https://doi.org/10.1364/OE.498444