网络在偷懒：理解图像去雨中的泛化问题

深度去雨网络在真实世界应用中部署时持续遭遇严重的泛化问题，尽管它们在实验室基准上表现成功。深度学习中的一种主流观点鼓励使用高度复杂的数据进行训练，期望更丰富的图像背景内容有助于克服泛化问题。然而，通过全面系统的实验，我们发现该策略并未提升这些网络的泛化能力。相反，它加剧了网络过拟合特定退化的倾向。我们的实验揭示，通过简化训练背景图像的复杂度，去雨网络可获得更好的泛化能力。这是因为网络在训练期间“偷懒”，即学习图像背景与退化中最不复杂的元素以最小化训练损失。当背景图像比雨纹更简单时，网络将优先进行背景重建，从而抑制对雨纹的过拟合并带来改进的泛化性能。我们的研究为更好理解低层视觉任务中的泛化问题提供了有价值的视角与方法，并展现出实际应用的良好潜力。