基于通道一致性先验和自重构策略的无监督图像去雨
计算机视觉与模式识别
2025-03-25 v1
摘要
最近，基于配对数据集的深度图像去雨模型取得了一系列显著性进展。然而，这些模型由于获取真实配对数据集的困难以及泛化性能较差的问题，难以在实际应用中得到很好地应用。在本文中，我们提出了一种 novel 的 Channel Consistency Prior 和 Self-Reconstruction Strategy 基于无监督图像去雨框架，称为 CSUD，以解决上述挑战。在使用无配对数据进行训练时，CSUD 能够生成高质量的伪造干净图像和雨中图像对，这些图像对用于提高去雨网络的性能。具体而言，为了在将雨 streaks 从雨中图像传输到无配对干净图像时保留更多图像背景细节，我们提出了一种 novel 的 Channel Consistency Loss (CCLoss)，通过引入雨 streaks 的 Channel Consistency Prior (CCP) 到训练过程中，从而确保生成的伪造雨中图像与真实雨中图像高度吻合。此外，我们提出了一种 novel 的 Self-Reconstruction (SR) 策略，以缓解生成器的冗余信息传输问题，进一步提高去雨性能和本方法的泛化能力。在多个合成和真实世界数据集上的大量实验表明，CSUD 的去雨性能超过了其他 state-of-the-art 无监督方法，CSUD 在泛化能力方面表现出优越性。
引用
@article{arxiv.2503.18703,
title = {Channel Consistency Prior and Self-Reconstruction Strategy Based Unsupervised Image Deraining},
author = {Guanglu Dong and Tianheng Zheng and Yuanzhouhan Cao and Linbo Qing and Chao Ren},
journal= {arXiv preprint arXiv:2503.18703},
year = {2025}
}
备注
Accepted to CVPR2025