图像编辑和图像理解是目前被广泛应用的技术。图像编辑技术被用于拍照的辅助以及照片后期创作等;图像理解技术被用于照片分类、图像检索、为自动驾驶应用提供环境理解能力等。但是,照片可能因为雾霾、阴影等环境因素而质量不高,不仅可能导致后续的图像编辑效果不理想,还会严重降低图像理解的准确度,因此需要图像复原技术去对图像进行复原以提高图像质量;此外,所拍摄的照片的背景往往十分复杂,将图像中的主要(显著)内容抓取出来,对于图像编辑和图像理解至关重要,因此需要显著性检测技术去抽取图像的显著区域。为了提高图像编辑技术和图像理解技术的可靠性和表现,本文就图像复原中的去雾和去阴影以及显著性检测的问题进行研究,并基于深度学习针对性地提出相对应的算法:1.为了去除图像中的雾霾,以提高图像编辑的效果以及降低对图像理解的干扰,已有方法需要先预估输入雾霾图像所对应的透射率图,但在一些常见情况下,透射率难以预测得准,进而导致去雾过度或者去雾不足。本文提出使用额外的4个图像分层模型,对已有的大气散射模型进行补充,并结合注意力机制去融合多个去雾结果,实验结果表明本文的方法能取得最好的去雾效果。2.为了去除图像中的阴影,以提高图像编辑的效果以及降低对图像理解的干扰,需要先检测阴影区域,然后再复原阴影区域的本真像素值。考虑到深度卷积网络的多层特征具有不同感受野的上下文信息,本文提出双向特征金字塔网络,结合循环注意力残差模块,以产生准确的阴影检测结果。然后本文使用一个配备扩张卷积和通道注意力机制的深度残差网络去对阴影区域进行复原,以去除阴影。实验表明本文方法取得最佳的阴影检测和去除效果。3.为了支撑图像编辑应用,以及提高图像理解的效率和精度,需要应用显著性检测去发现并分割出显著物体。已有方法往往使用深度卷积网络的低层特征去补充细节信息到高层特征中,由于低层特征的语义判别力弱,这种做法会引入噪声,进而误导显著性判断。本文提出多阶段循环交替地使用低层和高层特征,并结合残差改善模块去改善显著性检测结果,能达到最优的显著性检测精度。