增强的时空交互学习用于视频去雨：一种更快更好的框架
计算机视觉与模式识别
2022-01-21 v2
摘要
视频去雨是计算机视觉中的一项重要任务，因为不必要的雨会妨碍视频的可见性并降低大多数室外视觉系统的鲁棒性。尽管近期视频去雨已取得显著成功，两个主要挑战仍然存在：1）如何利用连续帧间的海量信息提取跨越空间与时间域的强大时空特征；2）如何以高速方法恢复高质量的去雨视频。在本文中，我们提出一种名为增强时空交互网络（ESTINet）的端到端视频去雨新框架，其大幅提升了当前最先进的视频去雨质量与速度。ESTINet 利用深度残差网络与卷积长短期记忆的优势，能以极少的计算资源代价捕捉连续帧间的空间特征与时间相关性。在三个公开数据集上的大量实验表明，所提 ESTINet 可比竞争方法速度更快，同时保持优于最先进方法的性能。
引用
@article{arxiv.2103.12318,
title = {Enhanced Spatio-Temporal Interaction Learning for Video Deraining: A Faster and Better Framework},
author = {Kaihao Zhang and Dongxu Li and Wenhan Luo and Wenqi Ren and Wei Liu},
journal= {arXiv preprint arXiv:2103.12318},
year = {2022}
}
备注
To appear in IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)