During the imaging process, the image will be polluted by noise due to the influence of the earth's atmosphere fog. Noise pollution directly affects the processing of feature extraction, image segmentation, and pattern recognition. Therefore, the purpose of image defogging is to eliminate noise from foggy images to improve image quality. When dealing with uneven fog density in the same image, most of the existing methods are not satisfactory. Integrated image defogging network based on improved atmospheric scattering model and attention feature fusion is proposed. In order to distinguish between the presence of fog with different concentrations in the image. We adopt the concept of attention that has been important in convolutional neural networks (CNN) in recent years. We adopt the attention mechanism to help our network pay more attention to important feature information, treat thick fog and mist differently, and solve the problem of uneven distribution of fog in the image, but the network handles the problem with the same weight. Finally, use a five-layer convolution operation to restore the image. The experimental results show that our method achieves a good defogging effect on the uneven distribution of the fog density of the synthesized foggy image. In the experiment of real natural foggy images, relying on the attention mechanism network to remove the fog, serious patches will appear on the restored images. Our method will not damage the image. Our method can reasonably remove thick fog and mist to obtain a good defogging effect. And our proposed method is robust.

在成像过程中，由于地球大气雾的影响，图像会受到噪声的污染。噪声污染直接影响特征提取、图像分割和模式识别的处理。因此，图像去雾的目的是消除有雾图像中的噪声，以提高图像质量。在处理同一幅图像中雾浓度不均时，现有的方法大多不能令人满意。提出了基于改进大气散射模型和注意力特征融合的综合图像去雾网络。为了区分图像中不同浓度的雾的存在。我们采用了近年来在卷积神经网络 (CNN) 中很重要的注意力概念。我们采用attention机制来帮助我们的网络更加关注重要的特征信息，区别对待浓雾和薄雾，解决图像中雾气分布不均的问题，但网络处理问题的权重相同。最后，使用五层卷积操作来恢复图像。实验结果表明，我们的方法对合成的有雾图像的雾密度分布不​​均取得了良好的去雾效果。在真实自然有雾图像的实验中，依靠注意力机制网络去除雾，在恢复的图像上会出现严重的斑块。我们的方法不会损坏图像。我们的方法可以合理去除浓雾和薄雾，获得良好的除雾效果。我们提出的方法是稳健的。对浓雾和薄雾区别对待，解决了图像中雾气分布不均的问题，但网络处理的权重相同。最后，使用五层卷积操作来恢复图像。实验结果表明，我们的方法对合成的有雾图像的雾密度分布不​​均取得了良好的去雾效果。在真实自然有雾图像的实验中，依靠注意力机制网络去除雾，在恢复的图像上会出现严重的斑块。我们的方法不会损坏图像。我们的方法可以合理去除浓雾和薄雾，获得良好的除雾效果。我们提出的方法是稳健的。对浓雾和薄雾区别对待，解决了图像中雾气分布不均的问题，但网络处理的权重相同。最后，使用五层卷积操作来恢复图像。实验结果表明，我们的方法对合成的有雾图像的雾密度分布不​​均取得了良好的去雾效果。在真实自然有雾图像的实验中，依靠注意力机制网络去除雾，在恢复的图像上会出现严重的斑块。我们的方法不会损坏图像。我们的方法可以合理去除浓雾和薄雾，获得良好的除雾效果。我们提出的方法是稳健的。最后，使用五层卷积操作来恢复图像。实验结果表明，我们的方法对合成的有雾图像的雾密度分布不​​均取得了良好的去雾效果。在真实自然有雾图像的实验中，依靠注意力机制网络去除雾，在恢复的图像上会出现严重的斑块。我们的方法不会损坏图像。我们的方法可以合理去除浓雾和薄雾，获得良好的除雾效果。我们提出的方法是稳健的。最后，使用五层卷积操作来恢复图像。实验结果表明，我们的方法对合成的有雾图像的雾密度分布不​​均取得了良好的去雾效果。在真实自然有雾图像的实验中，依靠注意力机制网络去除雾，在恢复的图像上会出现严重的斑块。我们的方法不会损坏图像。我们的方法可以合理去除浓雾和薄雾，获得良好的除雾效果。我们提出的方法是稳健的。依靠注意力机制网络去除雾，在恢复的图像上会出现严重的斑块。我们的方法不会损坏图像。我们的方法可以合理去除浓雾和薄雾，获得良好的除雾效果。我们提出的方法是稳健的。依靠注意力机制网络去除雾，在恢复的图像上会出现严重的斑块。我们的方法不会损坏图像。我们的方法可以合理去除浓雾和薄雾，获得良好的除雾效果。我们提出的方法是稳健的。