多尺度渐进式残差网络的图像去雨
目的 现有的去雨方法存在去雨不彻底和去雨后图像结构信息丢失等问题.针对这些问题,提出多尺度渐进式残差网络(multi scale progressive residual network,MSPRNet)的单幅图像去雨方法.方法 提出的多尺度渐进式残差网络通过3 个不同感受野的子网络进行逐步去雨.将有雨图像通过具有较大感受野的初步去雨子网络去除图像中的大尺度雨痕.通过残留雨痕去除子网络进一步去除残留的雨痕.将中间去雨结果输入图像恢复子网络,通过这种渐进式网络逐步恢复去雨过程中损失的图像结构信息.为了充分利用残差网络的残差分支上包含的重要信息,提出了一种改进残差网络模块,并在每个子网络中引入注意力机制来指导改进残差网络模块去雨.结果 在5 个数据集上与最新的8 种方法进行对比实验,相较于其他方法中性能第1 的模型,本文算法在5 个数据集上分别获得了0.018、0.028、0.012、0.007 和0.07 的结构相似度(structural similarity,SSIM)增益.同时在Rain100L 数据集上进行了消融实验,实验结果表明,每个子网络的缺失都会造成去雨性能的下降,提出的多尺度渐进式网络算法能够有效去除各种雨痕.结论 提出的算法能够获得最高的客观评价指标值和最优的视觉效果.在有效解决雨痕重叠问题的同时能够更好地保持图像的细节信息.
单幅图像去雨 深度学习 卷积神经网络(CNN) 残差网络 注意力机制
卢贝 盖杉
南昌航空大学信息工程学院,南昌 330063 江西省图像处理与模式识别重点实验室,南昌 330063
国内会议
线上
中文
1537-1553
2022-04-21（万方平台首次上网日期，不代表论文的发表时间）