这篇文章针对人为构造的训练数据集与真实雾霾景象存在区别而导致训练好的模型在实际应用中效果不好的问题进行了探究
整体思想是：已知两个数据集，合成数据集（含label）S和真实数据集R，分别通过S2R网络和R2S网络生成另外两个数据集S->R和R->S，共四个数据集。S和R->S两个数据集共享生成网络参数来训练去雾，R和S->R两个数据集共享另一个生成网络（与前一个网络结构相同）参数来训练去雾。
整个网络的细节部分很多，因而有非常多的loss。
损失函数
1、转换部分
1）对抗损失，二选一举例
从图像和特征两个角度分别计算。
2）借鉴与cyclegan，两个变换应该具有连续型，定义连续型损失为
3）映射损失（没看懂）
转换部分总结
2、去雾部分
1）有标签的数据采用均方损失mse，二选一举例
2）没有标签的数据采用水平、垂直梯度最小化和暗通道值最小化,二选一举例
针对1）2）部分另一组数据
3）两个去雾网络（针对合成数据和真实数据）的生成结果应该尽可能相同，引入连续型损失
所有损失函数总结
损失函数太多，超参有点多。如果以后遇到训练效果好而实战效果差的情况可以考虑该方法。