可学习颜色空间转换法在夜间图像去雨中的重新思考
计算机视觉与模式识别
2025-10-21 v1
摘要
与白天图像去雨相比，夜间图像去雨因夜间场景的内在复杂性以及缺乏能准确表征雨水与照明相互作用的高质量数据集而面临重大挑战。本文重新思考了夜间图像去雨任务，并贡献了一个新的高质量基准数据集HQ-NightRain，与现有数据集相比具有更高的和谐性和真实性。此外，我们开发了一种有效的颜色空间转换网络（CST-Net）以更好地去除夜间场景中的复杂雨纹。具体而言，我们提出了一种可学习的颜色空间转换器（CSC），以更好地促进Y通道中的雨去除，因为夜间雨在Y通道上更为显著，而RGB颜色空间则不然。为捕获用于指导夜间去雨的照明信息，引入了隐式照明引导，使所学特征能够提高模型在复杂场景中的鲁棒性。大量实验表明，我们的数据集和方法的价值。源代码和数据集可在 https://github.com/guanqiyuan/CST-Net 上获取。
关键词
引用
@article{arxiv.2510.17440,
title = {Rethinking Nighttime Image Deraining via Learnable Color Space Transformation},
author = {Qiyuan Guan and Xiang Chen and Guiyue Jin and Jiyu Jin and Shumin Fan and Tianyu Song and Jinshan Pan},
journal= {arXiv preprint arXiv:2510.17440},
year = {2025}
}
备注
Accepted by NeurIPS 2025