EfficientDeRain：学习像素级膨胀滤波用于高效单图像去雨
计算机视觉与模式识别
2020-09-22 v1
摘要
由于雨模型未知，单图像去雨颇具挑战。现有方法常对雨模型做特定假设，难以涵盖现实世界中多种不同情形，使其不得不采用复杂优化或渐进式细化。然而，这严重影响了这些方法在许多效率关键应用中的效率与效果。为弥补此不足，本文将单图像去雨视为通用图像增强问题，并首创提出一种无模型去雨方法，即EfficientDeRain，其能够在10~ms内（平均约6~ms）处理一张雨图，比最先进方法（即RCDNet）快80倍以上，同时取得相似的去雨效果。我们首先提出新颖的像素级膨胀滤波。具体而言，雨图通过由核预测网络估计的像素级核进行滤波，借此可为每个像素高效预测合适的多尺度核。然后，为消除合成与真实数据间的鸿沟，我们进一步提出一种有效的数据增强方法（即RainMix），有助于训练网络处理真实雨图。我们在合成与真实世界雨数据集上进行了全面评估，以证明方法的效率与有效性。我们在 https://github.com/tsingqguo/efficientderain.git 发布了模型与代码。
引用
@article{arxiv.2009.09238,
title = {EfficientDeRain: Learning Pixel-wise Dilation Filtering for High-Efficiency Single-Image Deraining},
author = {Qing Guo and Jingyang Sun and Felix Juefei-Xu and Lei Ma and Xiaofei Xie and Wei Feng and Yang Liu},
journal= {arXiv preprint arXiv:2009.09238},
year = {2020}
}
备注
9 pages, 9 figures