基于循环平移CNN的不确定性引导多尺度残差学习用于单图像去雨
计算机视觉与模式识别
2019-06-27 v1 机器学习
图像与视频处理
机器学习
摘要
单图像去雨是一个极具挑战性的问题，因为含雨图像可能包含尺寸、方向和密度各异的雨纹。先前的方法尝试通过利用某些先验信息从单张图像中去除雨纹。这些方法的一个主要局限在于它们未考虑图像中雨滴的位置信息。所提出的不确定性引导多尺度残差学习 (UMRL) 网络试图通过在不同尺度上学习雨内容，并利用它们来估计最终的去雨输出，以解决此问题。此外，我们引入了一种技术，基于对估计的置信度度量来引导网络学习网络权重。更进一步，我们引入了一种基于循环平移概念的新型训练和测试流程，以提升最终的去雨性能。在合成和真实数据集上的大量实验表明，所提出的方法相较于近期最先进的方法取得了显著改进。代码可在以下链接获取：https://github.com/rajeevyasarla/UMRL--using-Cycle-Spinning
关键词
引用
@article{arxiv.1906.11129,
title = {Uncertainty Guided Multi-Scale Residual Learning-using a Cycle Spinning CNN for Single Image De-Raining},
author = {Rajeev Yasarla and Vishal M. Patel},
journal= {arXiv preprint arXiv:1906.11129},
year = {2019}
}
备注
The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2019