1. 环境准备与数据理解
在开始构建AOD-Net之前，我们需要先搭建好开发环境。推荐使用Anaconda创建独立的Python环境，避免与其他项目产生依赖冲突。这里我选择Python 3.8和PyTorch 1.12的组合，这个版本经过实测在图像处理任务中表现稳定。
安装核心依赖只需要两行命令：
conda create -n aodnet python=3.8 conda install pytorch==1.12.0 torchvision==0.13.0 -c pytorch图像去雾任务的数据集通常包含成对的图像：有雾图像和对应的无雾图像。我使用的NYU Depth数据集包含超过30万张有雾图像和1万多张无雾图像。这种数据不平衡的情况在真实场景中很常见，我们需要特别注意验证集的划分方式。
数据集目录结构建议这样组织：
dataset/ ├── train/ │ ├── hazy/ # 有雾图像 │ └── clear/ # 无雾图像 └── val/ ├── hazy/ └── clear/处理4D张量（batch_size×channels×height×width）时，新手常犯的错误是忽略了维度顺序。我在第一次尝试时就被PyTorch的NCHW格式和TensorFlow的NHWC格式搞混过。记住PyTorch默认使用NCHW格式，这对后续的卷积操作至关重要。
2. 模型架构深度解析
AOD-Net的核心创新在于将大气散射模型直接嵌入到神经网络中。与传统的先估计透射率再复原的方法不同，它通过端到端的方式直接学习去雾映射。我将其结构拆解为三个关键部分：
2.1 特征提取模块
使用5个卷积层逐步提取多尺度特征。这里有个细节优化点：前两个卷积使用小核（1×1和3×3）捕获局部特征，后三个卷积逐步增大感受野（最大7×7）。这种设计既能捕捉细节又不会引入过多参数。
self.conv1 = nn.Sequential( nn.Conv2d(3,3,1,padding=0), # 1x1卷积 nn.ReLU()) self.conv2 = nn.Sequential( nn.Conv2d(3,3,3,padding=1), # 3x3卷积 nn.ReLU())2.2 特征融合模块
通过concat操作将不同层特征进行融合。这里需要注意dim=1表示在通道维度拼接。我第一次实现时错误地使用了dim=0，导致训练时出现维度不匹配的报错。
concat1 = torch.cat((conv1_out, conv2_out), dim=1) # 正确做法2.3 大气散射建模
最精妙的部分在于最后的物理模型实现：
conv_out = nn.functional.relu((conv5_out*x) - conv5_out + 1)这行代码实际上模拟了大气散射方程I(x)=J(x)t(x)+A(1-t(x))，其中conv5_out学习的是t(x)的近似。使用ReLU确保输出值在合理范围内。
3. 数据管道构建实战
处理大规模图像数据时，合理的预处理流程能显著提升训练效率。我推荐使用自定义Dataset类配合DataLoader，这种方式比直接加载所有图像到内存更节省资源。
3.1 智能数据配对
由于有雾/无雾图像数量不匹配，我们需要设计智能配对策略。我的解决方案是基于文件名前缀建立映射关系：
# NYU2_1_fog_0.5.jpg → NYU2_1.jpg def get_clear_name(hazy_path): base = os.path.basename(hazy_path) return base.split('_fog')[0] + '.jpg'3.2 高效数据加载
使用预先生成的索引文件可以避免每次遍历目录。下面是我优化后的Dataset实现关键部分：
class DehazeDataset(Dataset): def __init__(self, root, transform=None): self.pairs = [] # 存储(hazy_path, clear_path)元组 self._build_pairs(root) self.transform = transform def _build_pairs(self, root): hazy_images = glob.glob(f"{root}/hazy/*.jpg") for img_path in hazy_images: clear_path = f"{root}/clear/{get_clear_name(img_path)}" if os.path.exists(clear_path): self.pairs.append((img_path, clear_path))3.3 数据增强技巧
除了常规的Resize和ToTensor，我发现在训练时加入随机亮度调整能提升模型鲁棒性：
train_transform = transforms.Compose([ transforms.Resize((480, 640)), transforms.ColorJitter(brightness=0.2), # 亮度随机调整 transforms.ToTensor() ])4. 训练优化与调试技巧
4.1 自定义损失函数
MSE损失虽然简单，但直接使用可能导致结果过于平滑。我结合了感知损失和SSIM损失：
class CompositeLoss(nn.Module): def __init__(self): super().__init__() self.mse = nn.MSELoss() def forward(self, output, target): mse_loss = self.mse(output, target) ssim_loss = 1 - ssim(output, target) # 需实现SSIM计算 return 0.7*mse_loss + 0.3*ssim_loss4.2 学习率动态调整
使用ReduceLROnPlateau策略在验证损失停滞时自动降低学习率：
scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, mode='min', factor=0.5, patience=3 )4.3 梯度裁剪
训练深层网络时，梯度爆炸是常见问题。在反向传播前加入：
torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)5. 模型部署与可视化
训练完成后，我们需要将模型保存为可部署的格式。PyTorch提供了多种保存方式，我推荐使用TorchScript格式：
scripted_model = torch.jit.script(model) torch.jit.save(scripted_model, "aodnet.pt")使用Netron工具可视化模型时，可能会遇到自定义操作显示不全的问题。这时可以先用torch.onnx导出为ONNX格式：
dummy_input = torch.randn(1, 3, 480, 640) torch.onnx.export(model, dummy_input, "aodnet.onnx")在实际部署时，我建议将输入输出尺寸固定，这样能避免动态形状带来的性能损耗。可以通过修改模型的第一层和最后一层实现：
self.input_norm = nn.BatchNorm2d(3) # 添加输入归一化 self.output_act = nn.Sigmoid() # 约束输出范围记得在训练完成后使用model.eval()切换模式，这会关闭dropout和batch norm的随机性。我在项目上线前就因为没有做这个操作，导致线上和线下效果不一致。
