雾、霾天气严重地影响到图像的质量,特别是夜晚原本对比度低的图像在雾、霾环境与复杂光照条件下,退化更为严重。这对诸如视屏监控、自动驾驶等基于计算机视觉的应用造成极为不利的影响。然而,目前对夜晚雾、霾的研究成果相对较少,因此对夜晚雾、霾图像进行恢复,具有理论与应用的研究意义。本文在条件生成对抗网络的基础上,将UNet与Dense Net网络结合成UDnet网络作为生成器网络结构,增强特征复用,减少梯度消失;使用多尺度鉴别器实现特征融合,解决由于单一的感受视野造成图片全局信息丢失的问题,增强对图片全局信息的提取能力。其次,为解决Patch GAN存在噪声的问题,在Patch GAN基础上,提出MSmall-Patch训练方法实现夜晚图像去雾。此方法对生成器与鉴别器网络分别使用MSmall-Patch方法训练,即通过对鉴别器最后Patch部分采取Min-Pool或Max-Pool方式提取多个小区域,这些区域对应退化严重或容易被误判的区域,与之对应提出重度惩罚损失,即在鉴别器输出中选取数个最大损失值作为损失;最后,将重度惩罚损失、感知损失与对抗感知损失组合成新的复合损失函数。在HDP测试集上,与传统夜间图像去雾算法及其他深度学习去雾方法相比,图像质量指标PSNR与SSIM值有较大提高,实验结果表明,所提算法能够减少Patch GAN训练过程产生的噪声伪影,提高夜晚图像去雾质量。本文的贡献点主要有如下工作:1.提出多尺度鉴别器网络结构,在鉴别器部分加入大小不同的池化块,将不同感受视野提取到的特征图进行融合,这样能提取到全局信息,不会出现像Patch GAN固定的感受视野造成去雾后部分细节丢失的问题。2.提出了MSmall-Patch训练方法,将生成对抗网络的生成器与鉴别器分别使用MSmall-Patch方法训练,相比原来的训练方法,这样使得网络对噪声与伪影的惩罚力度增大,同时增强了鉴别器的判断能力,提高了恢复图像的去雾质量。3.提出新的复合损失函数:重度惩罚损失、感知损失与对抗感知损失,其中,重度惩罚损失与MSmall-Patch训练方法相对应,从损失中选取最大损失作为损失函数,感知损失引入VGG网络,将真实清晰图与待恢复图像输入VGG网络,将其损失误差作为感知损失,其可以提高生成图片质量。对抗感知损失与感知损失相似,只是将真假图片对输入鉴别器网络,将其误差作为对抗感知损失。