图像在获取和处理过程中,经常会受到雨点、雾气等因素的干扰而退化为有雾图像、模糊图像、噪声图像等低质量图像。这些图像不仅极大地影响了人们的视觉感知,还影响了目标检测、跟踪等算法的有效运作。近年来,以卷积神经网络为代表的深度学习算法在复原雾图、雨图、噪声图等单一类型低质图像上得到了广泛的应用和研究,但它们往往难以处理真实场景中的复合低质图像。为了解决上述问题,本文提出了针对单一类型、复合类型、真实场景退化图像的动态神经网络。具体来说,本文完成了下面三项工作:1.考虑到雨图、雾图等单一类型退化图像中低质表观的不同分布模式,本文首先提出了一种基于图像内容的循环反馈网络,该网络使用循环反馈机制来动态恢复图像的不同局部区域。在此基础上,针对深度学习算法从不同类型低质图像中学习清晰表观的难度差异,本文探索了不同表观生成方式对最终复原性能的影响,并通过实验提出了不同表观生成方式的融合模块,最终在一个框架下实现了多种单一类型复原任务。2.由于复合类型退化图像中存在多种类型的退化现象,针对单一类型退化图像的复原算法往往性能较差。因此,本文首先探索了已有单一类型复原算法在复合类型退化图像上的性能,并发现这些算法受限于对其他类型退化表观的特征学习。基于此发现,本文提出了两种种动态融合网络以同时利用不同类型网络的学习能力,进而提升了复合类型退化图像的复原性能。3.在上述算法中,模型均使用合成图像进行训练,因此经常受限于合成图像的规模及其与真实图像的域属性差异。因此,本文提出了内嵌图像从而同时使用真实图像与合成图像训练深度神经网络,并提出了排序损失函数以强化深度神经网络对真实图像的泛化能力,根据已有文献调研,上述方法为首次通过数据增强方式实现弱监督训练的算法。