MMAug, 2020

DCSFN：用于单幅图像去雨的深度跨尺度融合网络

PDF
TL;DR本文提出了一种基于多子网络和跨尺度融合的图像降雨去除方法，使用 Gate Recurrent Unit 对这些子网络进行跨尺度融合，并设计了一种内部尺度连接块，通过不同尺度之间的特征融合来提高雨的表示能力，实验结果表明，与现有方法相比，该方法具有优越性能。
rain removalcross-scale mannermulti-sub-networks structuregate recurrent unitdense block with skip connection
发现论文，激发创造
  • 单幅图像去雨的多尺度逐步融合网络

    此文介绍了一种基于多尺度协作表示法的单图像除雨方法，利用尺度空间和分层深度特征构建多尺度渐进融合网络，采用循环计算来捕捉全局纹理信息，引入注意力机制实现对不同尺度信息的精细融合，从而提高了模型的训练效率，在多个基准数据集上达到了最先进的除雨结果，启发了视觉任务驱动图像除雨的新研究方向。

    Mar, 2020

  • 使用尺度感知多阶段循环网络进行单张图像去雨处理

    通过引入规模感知的多阶段卷积神经网络和并行子网络的概念，本文旨在解决在不同大小和方向的雨滴覆盖下，雨液、散射和透射造成的遮挡和降低对比度等问题，该方法在合成和实际图像上的实验显示，在雨滴去除方面具有创新性，并优于现有技术。

    Dec, 2017

  • 用于单幅图像去雨的多尺度沙漏层级融合网络

    提出了一种多尺度 Hourglass 分层融合网络 (MH2F-Net)，通过多尺度提取、分层蒸馏和信息聚合来准确捕捉雨滴特征，采用残差投影特征融合策略逐步区分特征学习和聚合不同特征，与最新的去雨算法相比在合成和真实的数据集上展示了其有效性。

    Apr, 2021

  • 在线更新的高阶协作网络用于单图像去雨

    本文提出了一种高阶协同网络，其中包括多尺度紧凑约束和双向尺度内容相似度挖掘模块，有助于实现去雨滴效果的提高，并通过自我监督学习方法来提高模型性能。

    Feb, 2022

  • SDNet：使用 Swin 的多分支单图像去雨方法

    本研究提出了一种使用 Swin-transformer 模型实现去雨任务的基本模块改进方法，并设计了一个三分支模型，并提出了一个新的数据集 Rain3000 来验证模型的性能和效果，实验结果表明，该方法在公开数据集 Rain100L，Rain100H 和 Rain3000 上具有先进的性能和较快的推理速度。

    May, 2021

  • 单幅图像去雨的残差引导特征融合网络

    本文提出了一种基于深度学习的残差引导特征融合网络 ResGuideNet，用于单幅图像去雨，通过级联网络和轻深度残差引导深层块来逐步预测高质量重建，并使用递归卷积构建每个块来实现监督，从而在石墨和真实数据上获得了更好的性能。

    Apr, 2018

  • DPAFNet: 单图像去雨的双路径注意力融合网络

    基于雨天对成像系统正常运行的重大影响，本文提出了一种双支路注意力融合网络的方法，旨在解决多维图像特征融合的问题，通过引入两个支路的网络结构和注意力融合模块，完成了完备的消融实验和足够的对比实验，证明了该方法的合理性和有效性。

    Jan, 2024

  • 清空天空：针对单幅图像雨水去除的深度网络架构

    该研究介绍了一种名为 DerainNet 的基于深度卷积神经网络的图像去雨筋方法，并使用合成数据进行训练，提高了真实数据上的去雨效果，并在计算时间方面得到了显著提高。

    Sep, 2016

  • 双向多尺度隐式神经表示的图像去雨

    为了有效地探索雨纹的多尺度表示，我们提出了一种端到端的多尺度 Transformer，利用各种尺度上的潜在有用特征来促进高质量的图像重建，并结合空间变化的雨纹的内部尺度隐式神经表示，在复杂场景中提高模型的鲁棒性；通过粗到细和细到粗的信息传递，嵌入一种简单而有效的尺度间双向反馈操作，以确保更丰富的协同表示；广泛的实验证明，我们的方法 NeRD-Rain 在合成和实际世界基准数据集上表现优异。

    Apr, 2024

  • 多尺度双通道变换器用于高质量图像去雨

    本研究提出了一种有效的雨水去除方法，即双路径多尺度转换器（DPMformer），通过利用丰富的多尺度信息来实现高质量图像重建。实验证明，与其他最先进的方法相比，我们的方法表现出色。

    May, 2024