这篇文章是基于《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》来做改进的，《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》设计了一个循环的对抗网络学习图像风格的迁移，使用不成对的图像来训练网络。用X表示source domain，Y表示target domain，目标是学习一个映射G: X------>Y，利用一个对抗损失函数，使G（X）产生的图像的分布与Y的分布越来越接近，因为这个映射是被高度限制的，学习一个反映射F：Y----->X,使用一个循环一致的损失函数来是F（G（X））与X的分布越来越接近，对于Y------->X也存在同样的损失函数。
目标函数是：
去雾网络在这个网络的基础上加入了循环感知一致损失（cyclic perceptual-consistency loss），对图片的特征进行监督，使用vgg16对图片提取特征，使用第五个和第二个池化层的特征，（x，y）分别表示hazy和groundtruth不成对的图片集合。
，
整体目标函数是，γ控制循环感知一致损失（cyclic perceptual-consistency loss）。
循环去雾结构使用256*256像素分辨率的输入图像，产生256*256像素分辨率的输出图像，为了减少图像质量在上采样和下采样过程中的损失，利用拉普拉斯金字塔的优势，使用高分辨率的有雾图像来创建。为了得到高分辨率的去雾图片，将拉普拉斯金字塔的顶层用去雾的低分辨率图片替换，拉普拉斯金字塔的上采样过程不变。拉普拉斯金字塔的使用保护了有雾图片的边缘。