Khử sương mờ đơn ảnh đóng vai trò như một bước tiền xử lý ảnh khi ta thực hiện các tác vụ xử lý ảnh khác. Trong thực tế, sự xuất hiện của sương, khói, bụi,… gây ra rất nhiều khó khăn cho việc phân loại, phát hiện đối tượng,… dẫn kết quả không như mong đợi.
Các nghiên cứu trước đây [9][10][11] đã đưa ra một công thức đơn giản để ước lượng ảnh hưởng sương mờ trên ảnh như sau:
𝑰(𝑧) = 𝑱(𝑧)𝑡(𝑧) + 𝑨(1 − 𝑡(𝑧)) (1)
Trong đó:
23 • 𝑨: Hệ số ánh sáng khí quyển. • 𝑡(𝑧): Medium tranmission map. • 𝐽(𝑡): Ảnh không có sương mờ.
Dựa theo công thức này, việc khử sương mờ chỉ là việc tính toán giá trị của hai biến 𝑨và 𝒕(𝒛). Bởi vì từ công thức (1), ta có thể suy ra:
𝑱(𝑧) =(𝑰(𝒛) − 𝑨) 𝒕(𝒛) + 𝑨
Dark Prior Channe [2] là phương pháp cho kết quả tốt nhất khi ứng dụng mô hình này. Nhóm tác giả của phương pháp này dựa trên lý thuyết cho rằng các vùng ảnh của một bức ảnh không có sương mờ được chụp ngoài trời thường có ít nhất có một kênh màu có giá trị cường độ thấp. Tuy nhiên, các phương pháp này thường ước lượng sai giá trị của transmission map bởi vì các giá trị ưu tiên rất dễ bị ảnh hưởng trong thực tế. Vì vậy, trong các trường hợp áp dụng thực tế, chúng thường đạt kết quả không tốt.
Cùng với sự phát triển của Deep Learning, một hướng đi mới được mở ra cho tác vụ xử lý ảnh hưởng của sương mờ với sự ra đời của các phương pháp DehazeNet [12], multi-scale CNN (MSCNN) [13],… Các phương pháp sử dụng Deep Learning cố gắng hồi quy trực tiếp transimission map 𝑡(𝑧). Với lượng lớn dữ liệu được dùng để huấn luyện, các phương pháp này đã đạt được những thành kết quả đáng mong đợi. Hai phương pháp Feature Fusion Attention Network được trình bày sau đây là một trong số đó.