基于特征的深度卷积神经网络单张图像去雨

May, 2023

基于特征的深度卷积神经网络单张图像去雨

Single Image Deraining via Feature-based Deep Convolutional Neural Network

Chaobing Zheng, Jun Jiang, Wenjian Ying, Shiqian Wu

TL;DR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。

Abstract

It is challenging to remove rain-steaks from a single rainy image because the rain steaks are spatially varying in the rainy image. Although the cnn based methods have reported promising performance recently, there are still some defects, such as data dependency and insufficient interp

deraining cnn image processing attention mechanisms feature domain

发现论文，激发创造

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

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

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

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

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

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

无监督图像去雨：基于优化模型驱动的深度卷积神经网络

提出了一种统一的无监督学习框架，结合了模型驱动的无监督优化方法和深度卷积神经网络，并利用该框架在只有少量真实雨天图像的情况下完成无监督训练和达到好的实现泛化和表征，从而实现对单幅图像中的雨痕进行有效去除。

Mar, 2022

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

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