针对基于卷积神经网络（CNN）的单图像去雾模型在移动/嵌入式端部署难，不易用做实时视频去雾的问题，提出一种基于Zynq片上系统（SoC）的去雾模型硬件重构加速方法。首先，提出量化?反量化算法，对两个代表去雾模型进行量化；其次，基于视频流存储器架构和软硬件协同、流水线等技术以及高级综合（HLS）工具，对量化后的去雾模型硬件重构并生成具有高性能扩展总线接口（AXI4）的硬件IP核。实验结果表明，在保证去雾效果的前提下，可以实现模型参数从float32到int5（5 bit）的量化，从而节省约84.4%的存储空间；所生成硬件IP核的最高像素时钟频率为182 Mpixel/s，能够实现1080P@60 frame/s的视频去雾；单帧640×480的雾图去雾仅需2.4 ms，而片上功耗仅为2.25 W。这种生成带有标准总线接口的硬件IP核也便于跨平台移植和部署，从而可以扩大这类去雾模型的应用范围。
