(1) 特征提取(Feature Extraction)
特征提取有别于传统卷积神经网络，DehazeNet采用“卷积+Maxout [5] ”的结构作为网络第一层：
并且可以证明，“卷积+Maxout”等价于传统的手工去雾特征：
当W 1 是反向(Opposite)滤波器,通道的最大等价于通道的最小值，等价于暗通道先验(DCP);当W 1 是环形(Round)滤波器, 等价于对比度提取，等价于最大对比度(MC); 当W 1 同时包含反向(Opposite)滤波器和全通(All-pass)滤波器，等价于RGB到HSV颜色空间转换，等价于颜色衰减先验(CAP)。
此外，从机器学习角度看，Maxout是一种样条函数，具有更强的非线性拟合能力，如下图(d)。
(2) 多尺度映射(Multi-scale Mapping)与局部极值(Local Extremum)
多尺度特征会提高不同分辨率下特征提取的鲁棒性。传统去雾方法中也会采用不同尺度的滤波器(均值、中值、最小值)来增强特征在不同尺度下的鲁棒性。 借鉴于GoogLeNet中的inception结构，采用3组不同尺度(3×3，5×5，7×7)的滤波器实现DehazeNet的尺度鲁棒性：
局部极值(MAX Pooling)是深度卷积神经网络的经典操作。局部极值约束了透射率的局部一致性，可以有效抑制透射率的估计噪声。 此外，局部极值也 对应 于暗通道先验(DCP)的局部最小值和最大对比度(MC)的局部最大值。
(3) 非线性回归(Non -linear Regression)
大气透射率是一个概率(0到1)，不可能无穷大，也不可能无穷小。受到Sigmoid和ReLU激励函数的启发，提出双边纠正线性单元(Bilateral Rectified Linear Unit，BReLU)，在双边约束的同时，保证局部的线性。
BReLU的非线性回归对应于传统去雾方法中的边缘抑制操作(如DCP和CAP)。双边约束引入先验信息缩小参数搜索空间，使得网络更加容易训练;局部线性避免Sigmoid函数梯度不一致带来的收敛困难。
DehazeNet基于手工特征，又超出传统方法，从人工到智能。因此，DehazeNet取得了更好的去雾结果，更多的对比实验和代码资源：
项目主页
GitHub代码
BReLU+Caffe
其他复现 (1) ; (2)
参考文献
[1] Cai B, Xu X, Jia K, et al. DehazeNet: An End-to-End System for Single Image Haze Removal [J]. IEEE Transactions on Image Processing, 2016, 25(11): 5187-5198.
[2] He K, Sun J, Tang X. Single image haze removal using dark channel prior[J]. IEEE transactions on pattern analysis and machine intelligence, 2011, 33(12): 2341-2353.
[3] Tan R T. Visibility in bad weather from a single image[C]//Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on. IEEE, 2008: 1-8.
[4] Zhu Q, Mai J, Shao L. A fast single image haze removal algorithm using color attenuation prior[J]. IEEE Transactions on Image Processing, 2015, 24(11): 3522-3533.
[5] Goodfellow I J, Warde-Farley D, Mirza M, et al. Maxout networks[J]. ICML (3), 2013, 28: 1319-1327.