基于当前图像处理和人工智能的趋势,针对最小化关于内存管理和基本计算时间方面的计算代价的研究,已经成为一种日益增长的趋势。这是多个计算机视觉应用中图像实时处理需求的结果,例如:医学成像和计算机辅助干预,以及将目标检测应用于自动系统的实例和语义分割系统。由于多个任务中视野清晰度的需求,图像去雾在多个视觉任务(如目标检测等)取得显著效果。虽然现有的方法可以实现相当好的效果,但是需要相对较长的时间。这是由于执行去雾任务之前需要依赖其他计算的结果,例如透过率图,空气光照估计,透过率图的时间优化等计算。在本文中,我们引入独立于透射率图的去雾方法,从而消除为了去雾估算更多参数的需求。除此之外,为了在计算运行时间,场景辐射恢复质量方面改进最先进的方法,我们提出了一种深度残差神经网络,由于其内部跳跃式连接和反馈连接,显著地加快训练时间。最后,我们的目标是通过保持深度信息和原始场景辐射的紧密复制来改善去雾图像质量。