在真實場景中，圖像去霧是一個典型的逆問題，主要由於場景深度未知、大氣散射以及常缺乏參考真值。針對這一挑戰，Manish Kumar和Rajendra K. Ray提出了一種新穎的混合去霧模型，該模型將四階非線性偏微分方程與物理霧霾形成模型相結合。研究團隊首先利用暗通道先驗（Dark Channel Prior）從單張霧霾圖像中估計大氣光參數和透射圖，並生成引導圖像。隨後，他們構建了一個四階電報型偏微分方程，其中包含邊緣自適應擴散係數和由透射圖加權的保真項。四階擴散的特性使得霧霾被有效抑制，同時圖像的邊緣和結構細節得以保留，而雙曲型（電報）公式進一步提升了數值穩定性和收斂行為。為了確保演化過程的準確性，模型採用相對誤差範數作為收斂準則。
為了驗證方法的有效性，研究者與經典的暗通道先驗、改進暗通道先驗以及基於變分的單圖像去霧技術進行了對比。當參考真值存在時（如合成霧霾圖像），使用均方誤差（MSE）和結構相似性（SSIM）進行客觀評估；對於真實世界的霧霾圖像，則採用無參考指標，包括FADE、對比度恢復指數、平均梯度和信息熵。實驗結果表明，該混合偏微分方程方法在視覺質量上與其他先進方法相當，並且在保持結構細節方面表現出色。該方法為圖像去霧提供了一種兼具物理可解釋性和數值穩健性的新途徑。
該研究的核心創新在於將物理霧霾模型與高階偏微分方程相結合，利用四階擴散的平滑特性有效去除霧霾，同時通過邊緣自適應機制保持圖像細節。此外，電報型方程的引入增強了數值計算的穩定性，使得模型在實際應用中更具可靠性。通過相對誤差範數的收斂控制，算法能夠在迭代過程中自動終止，避免了過度處理。這些技術細節使得該方法不僅在合成數據集上表現良好，在真實霧霾場景中也具有實用價值。未來，該方法有可能擴展至視頻去霧或多模態圖像增強等領域，為計算機視覺任務提供更清晰的輸入數據。