渐进式图像去雨网络：更好且更简单的基线
计算机视觉与模式识别
2019-05-17 v3
摘要
随着深度网络去雨性能的提升，其结构和学习变得越来越复杂和多样，使得在开发新去雨网络时难以分析各网络模块的贡献。为处理该问题，本文通过考虑网络架构、输入与输出以及损失函数，提供了一个更好且更简单的基线去雨网络。具体而言，通过重复展开一个浅层 ResNet，提出渐进式 ResNet（PRN）以利用递归计算。进一步引入循环层来利用深度特征跨阶段的依赖关系，形成我们的渐进式循环网络（PReNet）。此外，PRN 和 PReNet 中可采用 ResNet 的 stage 内递归计算，以显著减少网络参数，且去雨性能优雅退化。对于网络输入和输出，我们将各 stage 的结果和原始雨图都作为每个 ResNet 的输入，并最终输出残差图像的预测。至于损失函数，单一的 MSE 或负 SSIM 损失足以训练 PRN 和 PReNet。实验表明，PRN 和 PReNet 在合成和真实雨图上均表现良好。考虑到其简单性、效率和有效性，我们的模型有望作为未来去雨研究中合适的基线。源代码可在 https://github.com/csdwren/PReNet 获取。
引用
@article{arxiv.1901.09221,
title = {Progressive Image Deraining Networks: A Better and Simpler Baseline},
author = {Dongwei Ren and Wangmeng Zuo and Qinghua Hu and Pengfei Zhu and Deyu Meng},
journal= {arXiv preprint arXiv:1901.09221},
year = {2019}
}
备注
Accepted to CVPR 2019. The codes, pre-trained models and results are available at https://github.com/csdwren/PReNet