计算机视觉任务中,单幅图像去雾是其中较为基本的一项。雾的产生是自然界一种常见的大气现象。在有雾条件下,摄像机捕捉到的图像往往不能拥有的良好的视觉效果,从而对观察者的判断造成影响。如果还存在后续的计算机视觉任务,如图像识别、目标检测、语义分割等,有雾图像也会影响这些任务执行的准确性。针对图像去雾问题的探索,目前已有许多科学家提出了不同的解决方法。本文将这些方法简单概括为三类,分别是基于图像增强的方法、基于物理模型的方法以及基于深度学习的方法。基于图像增强的方法更多地在意的是图像的视觉效果,忽略了有雾图像形成的物理过程。基于物理模型的方法通过恢复有雾图像形成过程中涉及到的各个物理变量来计算清晰图像,然而多个变量的估计会使误差在计算中累积。基于深度学习的方法通过训练好的网络模型,可输出物理模型涉及的变量,或者直接端到端的输出清晰图像,然而网络输出的效果依赖于网络的复杂程度和大量数据,并且端到端的训练方式使模型失去物理意义方面的保障。基于以上问题,本文提出了一种基于深度信息的深度学习网络用于单幅图像去雾。该网络由编码模块、解码模块以及深度信息提取模块组成。编码模块和解码模块分别由三组卷积块组成,并且在此过程中对不同尺度的对应特征图之间使用了跳跃连接。解码模块中,每组卷积中都使用了注意力模块。深度信息模块利用图像的深度信息得到一对参数,对编码过后的特征图做线性修正,再将修正后的特征图输入到解码模块继续计算。跳跃连接和注意力模块的使用使得网络可以学习更有意义的图像特征,深度信息模块考虑到了有雾图像形成的物理模型中深度的重要作用,增强了网络的物理意义。实验结果表明,本文提出的方法对单幅图像去雾的效果优于目前的一些已有方法。