DesnowNet：面向除雪的上下文感知深度网络
计算机视觉与模式识别
2018-05-09 v1
摘要
现有的基于学习的大气粒子去除方法（如用于雨天和雾霾图像的方法）在设计时对空间频率、轨迹和半透明度做出了强假设。然而，雪粒子的去除更为复杂，因为它还具有粒子大小和形状等额外属性，且这些属性在单张图像内也可能变化。目前，手工设计的特征仍是除雪的主流方法，这使得显著的泛化能力难以实现。为此，我们设计了一个代号为 DesnowNet 的多阶段网络，依次处理半透明和不透明雪粒子的去除。我们还将雪区分为半透明度和色差属性，以实现精确估计。此外，我们的方法单独估计无雪图像的残差补全，以恢复被不透明雪遮挡的细节。同时，整个网络采用多尺度设计来建模雪的多样性。实验结果证明，在所提出的 Snow100K 数据集上，我们的方法在定性和定量比较中均优于最先进的基于学习的大气现象去除方法和一个语义分割基线。结果表明，我们的网络将有益于涉及计算机视觉和图形学的应用。
引用
@article{arxiv.1708.04512,
title = {DesnowNet: Context-Aware Deep Network for Snow Removal},
author = {Yun-Fu Liu and Da-Wei Jaw and Shih-Chia Huang and Jenq-Neng Hwang},
journal= {arXiv preprint arXiv:1708.04512},
year = {2018}
}