基于条件生成对抗网络的图像去雨
计算机视觉与模式识别
2019-06-04 v4
摘要
暴雨和暴雪等恶劣天气条件会对在此类条件下捕获的图像的视觉质量产生不利影响，从而使其无法用于进一步的使用和共享。此外，此类退化图像会严重影响视觉系统的性能。因此，解决单幅图像去雨/去雪问题十分重要。然而，由于其固有的不适定本质，这是一个难以解决的问题。现有方法试图引入先验信息将其转化为适定问题。本文中，我们研究了一种解决单幅图像去雨问题的新视角。我们不仅关注于确定什么是良好的先验或良好的框架以取得良好的定量与定性性能，还确保去雨图像本身不会降低给定计算机视觉算法（如检测与分类）的性能。换言之，对于给定的判别器，去雨结果应与其对应的清晰图像无法区分。这一准则可通过使用最近提出的条件生成对抗网络(GAN)直接纳入优化框架。为了最小化GAN引入的伪影并确保更好的视觉质量，我们引入了一种新的精炼损失函数。基于此，我们提出了一种新颖的单幅图像去雨方法，称为图像去雨条件生成对抗网络(ID-CGAN)，该方法将定量、视觉以及判别性能纳入目标函数。在合成图像与真实图像上的实验表明，所提方法在定量与视觉性能方面优于许多近期最先进的单幅图像去雨方法。
引用
@article{arxiv.1701.05957,
title = {Image De-raining Using a Conditional Generative Adversarial Network},
author = {He Zhang and Vishwanath Sindagi and Vishal M. Patel},
journal= {arXiv preprint arXiv:1701.05957},
year = {2019}
}