CAP，2015年，颜色衰减先验。Qingsong Zhu,被引用402次。
CAP(2014),Single Image Dehazing Using Color Attenuation Prior
CAP(2015),A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior
构建线性模型，用亮度和饱和度估计场景深度。
A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior (TIP15，)
摘要：通过建立一种线性模型，对模糊图像的场景深度进行建模，并利用监督学习的方法学习模型的参数，有效地建立模糊图像与其对应深度图之间的桥梁。可以很好地恢复图像的深度信息。利用模糊图像的深度图，我们可以通过大气散射模型很容易地估计出场景的透射率和恢复亮度，从而达到有效的效果。
先验信息：随着雾霾浓度的变化，模糊图像中像素的亮度和饱和度变化剧烈。在无雾区，场景饱和度较高，亮度适中，亮度与饱和度差接近于零。所以，利用亮度和饱和度之间的差异来估计雾霾浓度。
其实这个现象可以通过大气散射模型解释：在雾浓度较高的区域，大气散射到达的光比例就会增多，这会导致颜色都趋近于白色，饱和度下降同时亮度增加。由于雾的浓度与场景深度有关，因此我们可以得出一个结论：场景深度与“亮度和饱和度的差“成正比关系。为了具体表示这个关系，文章采用了一个简单的线性回归模型，以亮度和饱和度为变量预测场景深度。
模型：HSV模型。由于一般情况下雾霾浓度随着场景深度的变化而增加，我们可以假设场景深度与雾霾浓度呈正相关，我们有:,其中 d为场景深度，c为雾霾浓度，v为场景亮度，s为饱和度。我们把这个统计数据看作是先验的颜色衰减。随着深度的增加,增加v值和饱和度降低,因此α增加。换句话说,角α与深度呈正相关。
场景深度灰度：
1.训练样本由一个模糊图像及其对应的地面真值深度图组成。为了寻求最小化式(4)估算的场景深度d(x)与真实深度之差的解，我们将损失的平方函数最小化。
创建线性模型：;x是图像中的位置,d是现场深度,v是模糊图像的亮度分量,s是饱和组件,θ0,θ1,θ2是未知的线性系数,ε(x)是一个随机变量代表模型的随机误差和,ε可以被看作是一个随机的形象。
2.ε(x)用替代，根据高斯分布可得：
还有个梯度公式，并给了一些值。
大气值A估计：假设当距离无线远，I=d。选择0.1%像素最亮的值。
场景恢复：
为了去除噪声，t(x)取0.1-0.9.
模型训练：通过简单的监督训练得到深度图。具体怎么训练？？
