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
通过知识蒸馏,我们提出了一种基于 Rain Review 的通用视频除雨网络(称为 RRGNet),它可以处理不同的雨线类型,并具备最佳的运行速度和除雨效果。
Aug, 2023
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
提出了一种新的降雨去除方法,通过替换低质量特征的潜在高质量特征和引入闭环反馈精神解决模型误差和特征嵌入问题,实验结果表明该方法在基准数据集和真实数据集上优于现有的最新方法。
Jan, 2021
本文提出了一种基于条件生成对抗网络的图像去雨算法 (ID-CGAN),以优化细化的损失函数为优化框架,考虑了定量、定性和辨别性能,经过测试,该方法在综合定量和视觉性能方面优于其他最新的基于单个图像去雨的方法。
Jan, 2017
该研究通过系统实验和理论构建发现,传统方法很难解释为什么大型神经网络的泛化性能良好,即使加入正则化仍然不会改变随机标记训练数据的状态,因为只要参数数量超过数据点数量,简单的两层神经网络就能实现完美的有限样本表达能力。
Nov, 2016
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
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
本文介绍了一种基于高斯过程的半监督学习框架,可使用综合数据集进行学习并利用未标记的现实世界图像实现更好的泛化结果,证明了该方法的有效性。
Jun, 2020
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