用于高质量图像去雨的双路径多尺度 Transformer
计算机视觉与模式识别
2024-05-29 v1
摘要
尽管卷积神经网络（CNN）和 Transformer 在单幅图像去雨中具有优越性，但当前的多尺度模型由于依赖单尺度特征金字塔模式，仍然面临重大挑战。在本文中，我们提出了一种有效的去雨方法——双路径多尺度 Transformer（DPMformer），通过利用丰富的多尺度信息实现高质量图像重建。该方法由一个主干路径和来自两种不同多尺度方法的两个分支路径组成。具体来说，一条路径采用从粗到细的策略，逐步将图像下采样到 1/2 和 1/4 尺度，这有助于捕获细尺度潜在雨信息的融合。同时，我们在另一条路径中采用多块堆叠模型（大小为 2 和 4 的非重叠块）来丰富深度网络的特征信息。为了学习更丰富的特征混合，主干路径充分利用多尺度信息来实现高质量的去雨图像重建。在基准数据集上的大量实验表明，与其他最先进的方法相比，我们的方法取得了有前景的性能。
引用
@article{arxiv.2405.18124,
title = {Dual-Path Multi-Scale Transformer for High-Quality Image Deraining},
author = {Huiling Zhou and Xianhao Wu and Hongming Chen},
journal= {arXiv preprint arXiv:2405.18124},
year = {2024}
}