Sep, 2020

EfficientDeRain: 学习像素级扩张滤波以实现高效单张图像去雨

PDF
TL;DR本文为了填补现有方法在处理不同场景下的雨滴降噪时缺乏普适性和效率的困境，提出了一种基于像素扩张滤波的实时、无需对雨滴模型作出特定假设的降噪方法 EfficientDeRain，并提出了有效的数据增强方法 RainMix 以增加对真实世界图像的适应性。
single-image derainingmodel-freeefficientderainpixel-wise dilation filteringrainmix
发现论文，激发创造
  • 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

  • 一种基于模型驱动的深度神经网络用于单图像雨水去除

    本文介绍了一种基于模型的深度神经网络，使用具有解释性和恰当的物理结构的数据结构，以实现单图像去雨任务的最先进性能，并通过端对端培训，自动提取所有雨滴核和接近算子，特别是在实际情况下具有更好的去雨性能。

    May, 2020

  • 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

  • 具有空间注意力机制的高清真实雨数据集单图像去雨方法

    本研究提出一个半自动的方法来生成高质量的干净图像，并构建了一个大规模的数据集，以更好地模拟现实情况下的雨条带效应。新的 SPatial Attentive Network（SPANet）以本地到全局的方式移除雨条带，并取得了与现有去雨技术相当的优异性能。

    Apr, 2019

  • 单张图像去雨：全面基准分析

    本文针对单幅图像去雨算法进行了全面的研究和评估，建立了一个大规模的数据集作为对比基准，其中包括从合成图像到真实世界的雨天图像等多种数据来源和图像内容，并将其分为雨纹、雨滴、雨和雾三个子集，每个子集分别服务于不同的训练或评估目的。我们还提供了多种评估标准，从全参考度量到零参考度量，到主观评估和新颖的任务驱动评估。在数据集上的实验揭示了现有单幅图像去雨算法之间的差异和局限性，并提出了有前途的未来方向。

    Mar, 2019

  • 基于特征的深度卷积神经网络单张图像去雨

    本研究提出了一种基于数据驱动和基于模型相结合的单幅图像去雨方法，通过使用 CNN，高频信息提取，特征转换，和使用注意机制的神经网络，实现了优异的效果。

    May, 2023

  • MDeRainNet：大像素图像雨痕去除的高效神经网络

    我们提出了一种名为 MDeRainNet 的高效网络，用于去除光场图像中的雨线，该网络采用多尺度编码器 - 解码器架构，在 Macro-pixel 图像上直接进行操作以提高雨线去除性能，并且借助 Extended Spatial-Angular Interaction (ESAI) 模块来完全建模空间和角度信息之间的全局相关性，并引入半监督学习框架以改善网络在现实场景中的泛化性能。经过对合成和真实光场图像的广泛实验证明，我们的方法在定量和定性上均优于现有方法。

    Jun, 2024

  • 单幅图像去雨：从基于模型到数据驱动及其更进一步

    该论文综述了过去十年单张图像去雨的多种方法，分类总结了基于模型和基于数据驱动两种类型的方法，总结了雨的外观模型、性能比较和技术特点，并探讨了未来发展方向。

    Dec, 2019

  • 基于对比学习的递归动态多尺度网络用于图像去雨

    本文提出了一个基于对比学习的图像去雨方法，使用递归动态多尺度网络来提高降雨性能，实现了优秀的效果并超越了现有方法，并且该方法在客观检测和语义分割方面也表现出了很好的性能。

    May, 2023

  • 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