煤矿井下采煤工作面环境复杂，作业时产生大量煤尘、水雾等不均匀悬浮颗粒，导致监控图像质量下降严重，现有的传统算法存在去雾效果差、过增强、颜色失真等问题，应用深度学习算法存在缺少井下配对尘雾图像和清晰图像等问题，为此提出了一种基于半监督学习网络的去雾算法。该半监督学习网络由生成器与判别器组成：生成器采用编解码器结构，其中编码器以残差网络为主要结构，并在残差块中加入了空间注意力机制，使网络能更好地处理非均匀尘雾。解码器由像素混洗层和卷积层组成，逐级恢复更高分辨率的特征图。判别器以概率图形式作为输出，表示生成器产生的去雾图像与真实清晰图像间的差异。引入了对比学习分支，使去雾后的图像在特征空间接近正样本并远离负样本，改善模型的泛化能力。由于煤矿井下缺少成对非均匀尘雾数据集，采集了大量煤矿井下工作面图像，并根据工作面作业时的尘雾特点，使用大气散射模型和柏林噪声在清晰图像上合成非均匀尘雾图像。合成数据与采集的真实数据一起用于半监督网络的训练，提升了模型在煤矿井下非均匀尘雾条件下的适应能力和性能。为验证提出算法的有效性，选取了4种算法进行了对比。实验结果表明，提出的算法能有效降低图像尘雾浓度，颜色失真较小，提升了图像的可视化效果。

0 引言
1 基于半监督学习网络的去雾算法
1.1 训练数据合成
1.2 网络架构
2 损失函数
3 实验结果与分析
3.1主观评价
3.2 客观评价
4 结论

赵猛,魏玉忠,李正,等.基于半监督网络的采煤工作面尘雾图像去雾算法[J/OL].煤炭科学技术,1-9[2024-09-19].http://kns.cnki.net/kcms/detail/11.2402.td.20240918.1736.001.html.