CycleGANにContrastive Learningを導入。画像を潜在空間に射影することで潜在特徴と捉える。霧の特徴と画像固有の特徴（色、テクスチャなどの情報）をContrastive Learningを使うことで分離する。これによって、霧画像から画像固有特徴の抽出性能を高めて、固有特徴から綺麗な画像を生成する。

SOTS、HSTS、Foggy CityscapesでSOTA。BaselineのCycleGANより高精度はもちろん。SOTAのReneDNet（2021）より0.2~0.7のPSNR上昇。

Contrastive LearningはDehazing問題に適していることを気づいた。Dehazing問題の本質は固有特徴を抽出し画像をReconstructすること。