# Optical Flow in Dense Foggy Scenes using Semi-Supervised Learning
###### tags: `dehaze paper survey`
- 合成霧方法:
- Koschmieder model [18]
- optical flow:optical flow basic assumptions such as brightness and gradient constancy.(圖像的運動訊息)
- This degradation breaks the Brightness Constancy Constraint (BCC) and Gradient Constancy Constraint (GCC) used in existing optical flow methods.
- unknow
- optical flow 如何產生的
- [8] comprehensive survey).
- [34]. pioneer work use deep learing slove optical flow
- a pair of image
- photometric and hazeline [2] constraints to make our network learn better
about optical flow and fog.
- [16] 第一個使用flow estimation
- [23] defogg/dehaze 綜合ｐａｐｅｒ
- [30, 38] show that　pyramid features improve the estimation of optical flow
- Domain Adaptive　Features
- feature pyramids

# Introduction

- 它在一定程度上是有效的，但在測試階段應用於真實的濃霧圖像時，它的表現並不充分。 主要原因是合成和真實霧圖像之間的域差距。 合成圖像過於粗糙，無法代表真實霧圖像的複雜性。
這個問題可以通過使用真實的霧圖像來解決，而不是用於訓練的合成霧圖像。 然而，為真實的霧圖像獲得正確的光流地面實況是極具挑戰性的 [3]。