NASNet：一种用于单幅图像去雨的神经元注意力逐级网络

在复杂降雨条件下捕获的图像常遭受明显的可见度退化。雨模型一般会引入多样的可见度退化，包括雨条、雨滴以及雨雾。众多现有单幅图像去雨方法仅关注单一雨模型，泛化能力不强。本文中，我们提出一种新颖的端到端神经元注意力逐级网络（NASNet），可高效解决所有类型雨模型任务。一方面，我们更关注神经元关系并提出轻量级的神经元注意力（NA）架构机制。它通过对神经元间依赖关系与相互影响建模，自适应地重校准神经元级特征响应。我们的 NA 架构由深度可分离卷积与逐点卷积组成，对比实验表明其计算开销小且性能优于 SE 模块。另一方面，我们提出一种逐级统一模式网络架构，该逐级策略通过融合前一阶段的有用信息来引导后续阶段。我们通过 NA 模块动态拼接与融合阶段级信息。大量实验表明，在针对三种雨模型任务的全部六个公开大规模数据集上，我们提出的 NASNet 在定量与定性指标上均以较大优势显著优于 SOTA 方法。