随着深度学习技术在计算机视觉领域的广泛应用,在交通、医疗、军事等高风险领域中采用的模型方法是否具备可解释性和可靠性,引起了广泛的关注。受到近年来频繁出现的雾霾等恶劣天气的影响,基于光学成像系统处理信息的众多领域,由于无法直接获取到清晰的图像而严重影响了后期对信息的准确获取及处理工作。特别是夜间场景中存在人工活动光源,使得获取到的夜间图像被严重降质。由此对于夜间雾霾图像进行清晰化处理成为了重要的研究课题。同时随着深度学习技术在夜间图像去雾研究中的应用,运用深度神经网络实现夜间图像去雾结果的可靠性以及网络的可解释性引起了业界的重视与思考。本文首先分析了夜间雾霾条件下的成像特点及成因。进而说明了夜间图像去雾的目标为削弱图像中可能存在的光源区域,更多的恢复非光源区域的细节,便于后续的图像处理工作从中提取有利信息。随后分析了条件生成对抗网络相较于卷积神经网络在夜间去雾工作中的优越性,以及存在的不可解释问题。针对以上存在的问题,文本提出了以融合了密集网络Dense Net的U-Net作为生成器网络U-De Net的条件生成对抗网络,并搭载针对光源的注意模块。通过人类主观期待的方式,对图像光源区域进行特征提取并削弱其在生成图像过程中的权重,以此达到提高对非光源区域的复原权重的效果,进而使得去雾图像中的非光源区域的细节得到更多的呈现。同时通过运用Grad-CAM技术对网络对光源提取到的特征以热力图的方式进行可视化,进一步增强了本文网络的可解释性。此外,针对基于条件生成对抗网络完成图像去雾的结果中存在的噪声问题,文本在对抗损失的基础上,加入了能够保留中低层纹理特征的重建损失以及能够保留高级语义特征的感知损失。以复合损失作为生成器的目标函数,有效消除了生成图像中的噪声残留问题。本文分别在合成的夜间有雾图像数据集以及真实夜间有雾图像数据集上进行了实验,并与可解释的传统物理模型去雾算法以及被视为“黑盒”的端到端的夜间去雾算法的去雾结果进行了主观视觉效果分析和客观指标评价。实验结果表明本文方法能够有效的削弱可见人工光源在去雾过程中可能产生的伪影或噪声的影响,去雾结果中更多的呈现非光源区域的纹理细节,同时在客观指标PSNR与SSIM相较于其他方法均有所提高。