1.论文介绍 Split frequency attention network for single image deraining 用于单幅图像去噪的分频注意力网络 Paper Code 2023年 SIVP 2.摘要 雨纹对图像质量的影响极大，基于数据驱动的单图像去噪方法不断发展并取得了巨大的成功。然而，传统的卷积神经网络只能隐式地对频域特征进行建模，而离散余弦变换（DCT）可以看作是

[论文解读-单图像去雨]Spatial Attentive Single-Image Deraining with a High Quality Real Rain Dataset 目录 [论文解读-单图像去雨]Spatial Attentive Single-Image Deraining with a High Quality Real Rain Dataset 目录1.相关链接2.发现问题

1 总体概述 GCANet是端到端去雾的一篇代表性的文章，它摒弃以往使用手工设计的先验以及大气散射模型的使用，直接通过原始有雾图像估计出无雾图像J与有雾图像I之间的残差，图像恢复阶段直接使用网络输出的残差与输入有雾图像I之间的加和完成去雾过程。 文章本身最大的贡献： 1、借鉴并使用了平滑空洞卷积消除以往空洞卷积存在的网格伪影以及特征相关性不强的问题，提出了一个门限子网络，用于依据不同level

首先，从论文创新方面来说，可以说是毫无创新。但是，其25FPS的速度对于图像去雨来说还是一个很好很实用的模型，而且性能还能够SOTA！ 论文地址：https://arxiv.org/pdf/2006.00757.pdf Abstract： 图像去雨是一项重要的图像处理任务，因为雨水条纹不仅会严重降低图像的视觉质量，而且还会严重影响高级视觉任务的性能。传统方法通过不同的递归神经网络逐步消

论文：https://readpaper.com/paper/4736105248993591297 代码：https://github.com/cschenxiang/DRSformer Transformer 模型通常使用标准的 QKV 三件套进行计算，但是部分来自 K 的 token 与来自 Q 的 token 并不相关，如果仍然对这些 token 进行特征聚合计算会影响图像修复

雾化处理可以由以下模型表示(corruption model)： I ( x ) ：有雾的图片 J ( x ) ：去雾的图片    A ：    全球大气光 t ( x ) ：中间的转换映射，取决于未知的深度信息，介质透射图       以往的去雾方法是用回归方法加上人为设计的先验条件来估计A或t(x)，但问题是现实中这两项很难得到。该论文中使用的方式是直接学习原图和雾图之间的残差。