论文阅读:Removing rain from single images via a deep detail network

2023-12-31 12:10

本文主要是介绍论文阅读:Removing rain from single images via a deep detail network,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

之前的概述所包含的文章内容主要包括了视频的去雨,以及基于传统方法(像核回归非局部均值滤波、低秩矩阵、基于Patch的建模、判别稀疏编码、GMM层先验等等)的单幅图像去雨。
从这篇往后会认真看去雨的网络方法。

1、2017CVPR : DDN

在这里插入图片描述

这篇文章主要基于深度卷积神经网络以及ResNet,提出了一种深度细节网络用于减少从输入到输出的映射范围,使得学习过程更简单。
同时使用先验图像域知识,在训练中聚焦于高频细节,去除背景干扰,将模型聚焦于图像中雨的结构。
CNN可以有效提高模型探索捕捉各种特征的能力。
ResNet可以直接减少从输入到输出的映射范围。

本文的贡献:
1、使用了一种无损的负残差映射,用于定义干净图像和雨图之间的差异。预测残差来减少映射范围。
2、采用了ResNet结构作为图像特征深入探索的参数层,同时利用先验知识并使用图像细节层作为输入,而不是直接在图像上应用ResNet。这样便去除了背景干扰,细节层大部分像素都接近0.
3、合成了一个包含14000对干净雨图的数据集。

网络框架
在这里插入图片描述
其中,参数层结构为ResNet结构。

在这里插入图片描述

从左至右分别是直接连接的网络(只有从上到下的直接连接,包括conv,BN,ReLU,没有别的连接结构)、负残差映射(增添了一条直接跨越整个网络的跳跃连接,传递无损信息)、ResNet网络结构、ResNet+负残差网络结构、DDN(相比前一个,多了一个分解模块,分解出高频细节层)

在这里插入图片描述

如图,直接连接的网络存在严重的颜色偏移,ResNet网络结构处理的图片羽毛部分出现模糊,负残差映射则是保留了颜色和对象细节但仍然存在一些雨纹,Neg-mapping + ResNet 还存在一些微小的细雨纹。

负残差比ResNet的训练及测试误差更小。

具体网络设计:

1、深度CNN网络的目标函数:
在这里插入图片描述

2、负残差映射:
Y-X 减少了像素值的范围,同时跳跃连接用于传播无损信息。
在这里插入图片描述
3、细节层作输入

在这里插入图片描述

将含雨图像X过一个低通滤波,本文采用指导滤波,得到Xbase,主要是背景部分。
X- Xbase 得到细节层,主要包含雨纹以及物体结构。高频成分。细节层的稀疏性利用

4、最终的目标函数:
在这里插入图片描述
其中f是ResNet,W、b是要学习的网络参数。

5、基本的网络结构:
在这里插入图片描述
网络结构中删除了池化操作,保留空间信息。

6、与ResNet的不同:

网络结构虽是基于ResNet进行修改,但还是有很多不同。
ResNet通过改变映射形式来简化学习过程,而我们的深度细节网络使用负映射直接减少了映射范围。ResNet旨在为高级视觉任务(如图像分类和目标检测)训练一个极深的神经网络。我们的深度网络利用图像领域的知识来解决图像回归问题,提高图像质量。
ResNet使用图像本身作为网络的输入,而我们的网络使用细节层进行改进的训练,以及提出的负映射。

训练:
使用随机梯度下降法(SGD)来最小化目标函数。
数据集:1000张干净的图片增添14个不同方向和强度的雨纹,生成14000张图片。
环境:Caffe,耗费14个小时。
参数:
在这里插入图片描述

分页符

这篇关于论文阅读:Removing rain from single images via a deep detail network的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/555995

相关文章

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟 开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚 第一站:海量资源,应有尽有 走进“智听

poj 2349 Arctic Network uva 10369(prim or kruscal最小生成树)

题目很麻烦,因为不熟悉最小生成树的算法调试了好久。 感觉网上的题目解释都没说得很清楚,不适合新手。自己写一个。 题意:给你点的坐标,然后两点间可以有两种方式来通信:第一种是卫星通信,第二种是无线电通信。 卫星通信:任何两个有卫星频道的点间都可以直接建立连接,与点间的距离无关; 无线电通信:两个点之间的距离不能超过D,无线电收发器的功率越大,D越大,越昂贵。 计算无线电收发器D

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

论文翻译:ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS https://openreview.net/forum?id=KS8mIvetg2 验证测试集污染在黑盒语言模型中 文章目录 验证测试集污染在黑盒语言模型中摘要1 引言 摘要 大型语言模型是在大量互联网数据上训练的,这引发了人们的担忧和猜测,即它们可能已

OmniGlue论文详解(特征匹配)

OmniGlue论文详解(特征匹配) 摘要1. 引言2. 相关工作2.1. 广义局部特征匹配2.2. 稀疏可学习匹配2.3. 半稠密可学习匹配2.4. 与其他图像表示匹配 3. OmniGlue3.1. 模型概述3.2. OmniGlue 细节3.2.1. 特征提取3.2.2. 利用DINOv2构建图形。3.2.3. 信息传播与新的指导3.2.4. 匹配层和损失函数3.2.5. 与Super

软件架构模式:5 分钟阅读

原文: https://orkhanscience.medium.com/software-architecture-patterns-5-mins-read-e9e3c8eb47d2 软件架构模式:5 分钟阅读 当有人潜入软件工程世界时,有一天他需要学习软件架构模式的基础知识。当我刚接触编码时,我不知道从哪里获得简要介绍现有架构模式的资源,这样它就不会太详细和混乱,而是非常抽象和易

BERT 论文逐段精读【论文精读】

BERT: 近 3 年 NLP 最火 CV: 大数据集上的训练好的 NN 模型,提升 CV 任务的性能 —— ImageNet 的 CNN 模型 NLP: BERT 简化了 NLP 任务的训练,提升了 NLP 任务的性能 BERT 如何站在巨人的肩膀上的?使用了哪些 NLP 已有的技术和思想?哪些是 BERT 的创新? 1标题 + 作者 BERT: Pre-trainin

[论文笔记]LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale

引言 今天带来第一篇量化论文LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale笔记。 为了简单,下文中以翻译的口吻记录,比如替换"作者"为"我们"。 大语言模型已被广泛采用,但推理时需要大量的GPU内存。我们开发了一种Int8矩阵乘法的过程,用于Transformer中的前馈和注意力投影层,这可以将推理所需