没有合适的资源?快使用搜索试试~ 我知道了~
深度细节网络用于去除图像中的雨水
3855通过深度细节网络从单幅图像中去除雨水傅学洋1黄嘉斌1曾德禄2黄悦1丁星浩1约翰·佩斯利31厦门大学信息科学与工程学院水声通信与海洋信息技术教育部重点实验室2华南理工大学数学学院3美国哥伦比亚大学电气工程系数据科学研究所摘要我们提出了一种新的深度网络架构,用于基于深度卷积神经网络(CNN)从单个图像中去除雨纹。受深度残差网络(ResNet)通过改变映射形式来简化学习过程的启发,本文提出了一种深度细节网络,直接减少从输入到输出的映射范围为了进一步提高去雨效果,在训练过程中,我们利用先验的图像特征知识,聚焦于高频细节,去除背景干扰,使模型聚焦于图像中雨的结构。这表明,深度架构不仅对高级视觉任务有好处,而且还可以用于解决低级成像问题。虽然我们在合成数据上训练网络,但我们发现学习的网络可以很好地推广到真实世界的测试图像。实验表明,该方法显着优于国家的最先进的方法在合成和真实世界的图像在定性和定量的措施。最后讨论了该结构在图像去噪和JPEG伪影减少中的应用。1. 介绍在多雨条件下,雨条纹对图像和视频的影响通常是不希望的。除了主观退化之外,雨水的影响也会严重影响户外视觉系统(例如监视系统)的性能消除雨痕2015年10月28日,国家自然科学基金委、国家自然科学基金委、国家 自 然 科 学 基 金 dxh@xmu.edu.cn中 国 授 权 61571382 ,81671766,61571005,81671674,U1605252,61671309和81301278,广东省自然科学基金2015 A030313007,中央大学基础研究基金20720160075和20720150169,以及CCF-腾讯研究基金。X. 傅在哥伦比亚大学进行了部分工作,根据中国国家留学基金委员会的第2005号资助。[2016]3100.图1:一个真实世界的雨天图像和我们的结果。是广泛的实际应用所需要的。然而,当一个物体的结构和方向与雨带的结构和方向相似时,很难同时移动雨和保持结构。为了解决这个难题,我们开发了一个端到端的深度网络架构,用于从单个图像中去除雨水。图1显示了一个真实测试图像的示例和我们的结果。到目前为止,已经提出了许多方法来从图像中去除雨水。这些方法分为两类:基于视频的方法和基于单图像的方法。我们简要回顾这些方法,然后讨论我们提出的框架的贡献。1.1. 相关工作对于基于视频的方法,使用帧间信息可以更容易地识别和去除雨水[3,4,10,21,28,35]。这些方法中的许多方法工作良好,但是显著地受到视频的时间内容的帮助。在这篇文章中,我们专注于从单个图像中去除雨水这项任务更具挑战性,因为可用于检测和清除雨水的信息要少得多。已经提出了基于单图像的方法来处理这个具有挑战性的问题。例如,在[20]中,使用核回归和非局部均值滤波来检测和去除雨纹。在文献[6]中,作者提出了一个一般化的模型,其中加性雨被假定为低秩。然而,总的来说,与基于视频的算法相比,3856ii iF图2:单图像雨水去除的拟议框架中间的图像显示绝对值,以便更好地可视化。以供改进。还提出了几种使用基于块的建模的方法,这些方法代表了当前的最新技术水平[5,14,15,18,24,25,31]。例如,在[25]中,作者使用判别稀疏编码从雨天图像中恢复干净图像。最近,[24]提出了一种基于高斯混合模型的方法,其中基于块的先验用于清洁层和雨层。作者展示了如何通过这种预先训练的高斯混合模型来解释雨带的多个方向和尺度。1.2. 我们的贡献如前所述,从单个图像中去除雨水比从视频中去除雨水要这是因为大多数现有方法使用低级图像特征从图像中分离雨条纹[14,18,24,25]。当物体的结构和方向与雨痕相似时,这些方法难以同时去除雨水和保持结构。为了解决这个问题,我们设计了一种基于卷积神经网络(CNN)的雨水去除方法[22,23]。深度CNN不仅在高级视觉任务上取得了成功[12,13],而且还扩展到图像去噪[34,36],超分辨率[7,19],减少压缩伪影[8],图像修复[26]和图像去雾[27]等问题。CNN可以有效地提高模型探索和捕获各种图像特征的能力[30]。在本文中,我们设计了一种新的网络结构,用于单图像雨去除。正如深度残差网络(ResNet)[12]所示,直接减少从输入到输出的映射范围可以使学习过程变得更加容易。基于这一观察,我们提出了一个这项工作的贡献总结如下:1. 我们使用无损的这是由于观察到预测残差可以显著减少映射范围,这使得深度模型的学习过程更加容易。2. 我们采用ResNet结构[12]作为参数层,以深入探索图像特征。我们没有直接将ResNet应用于图像,而是利用先验知识并使用图像细节层作为输入。由于这消除了背景干扰,细节层中的大多数像素值非常接近于零。我们发现,这种稀疏性进一步提高了去雨质量。基于这一观察,我们认为,通过适当的网络设计,避免梯度消失,更深的结构实际上改善了去雨的结果。这与一个常见的假设相反,即更深的结构不适合低级别的图像任务。3. 为了学习网络,我们创建并使用了14,000个雨天/干净图像对的合成数据集。据我们所知,这明显大于先前的去训练数据集,因为现有的字典学习算法通常采用低效的学习算法。尽管该网络是在合成降雨数据上训练的,但我们发现它可以很好地推广到这些对不可用的真实降雨图像。2. 深度细节网络我们在图2中说明了所提出的去雨框架。如下所述,我们将细节层和负残差定义为中间参数层的输入和输出。由于我们无法获得真实世界的雨天图像的真实情况,因此我们使用干净的图像来合成雨天图像的数据集来训练网络。训练后,该网络可用于输出输入的雨图像的去雨版本。2.1. 网络设计我们将输入的雨天图像和对应的干净图像分别表示为X和Y。直观地说,目标可以是在多个图像上直接训练深度CNN架构h(X),以最小化目标函数L=h(X)−Y2,(1)其中F是Frobenius范数。然而,我们发现直接在图像域上训练(“直接网络”)所获得的结果在图3(b)中,我们展示了一个合成的雨天图像的例子,3857(a) 地面实况(b)Rainy图像(c)直接网络(d)ResNet(e)Neg-mapping (f)Neg-map+ ResNet(g)最终网络图3:不同网络结构的去雨结果。(b)-(g)的SSIM鸟背上的白色羽毛在我们的所有网络深度均设置为26。(a) 干净图像Y(b)雨天图像X(c)绝对残差|Y − X|(d)详图层X详图3.532.521.510.5000.10.20.30.40.50.60.7像素值(e) Y的直方图0.80.91100008000600040002000000.10.20.30.40.50.60.70.80.91像素值(f) X的直方图1000080006000400020000-0.7-0.6-0.5-0.4-0.3-0.2-0.100.1像素值(g) Y-X的直方图800070006000500040003000200010000-0.8-0.6-0.40.2 0.2 0.4 0.6像素值(h) X细节直方图图4:负残差和细节层的范围缩减和稀疏性 我们表明|Y − X|以便更好地可视化。在训练过程中。在图3(c)中,我们看到,即使该图像被用作训练样本,CNN输出的去雨图像也有严重的颜色偏移。总的来说简单解释一下这一现象:为了简单起见,假设图像X和Y被归一化到[0,1]之间并且具有D个像素。学习从[0,1]D到[0,1]D的X和Y映射之间的回归函数。换句话说,映射范围覆盖了所有可能的像素值,这使得很难很好地此外,直接在图像上训练深度网络会遭受梯度消失[12],即使使用正则化方法,如当与干净图像Y相比时,雨天图像Y-X的残差在像素值上具有显著的范围减小。这意味着可以将残差引入网络以帮助学习映射。因此,我们使用残差作为参数层的输出,如图2所示。这种跳过连接还可以通过整个网络直接传播无损信息,这对于估计最终的去雨图像是有用的因为雨往往出现在图像中的白色条纹,Y-X的值趋于负值,如图4(g)所示。因此我们称之为(简称为映射)。一个包含这个思想的修改后的目标可以写为批量归一化[16]。(如图10所示,在我们的前-ΣL= λh(X)+X-是2002年(二)实验)在介绍了我们提出的发展之后,我们将回到这一分析。2.1.1负残差映射为了改善网络学习过程,重要的是通过压缩映射范围来减少解空间[12]。 如图4(e)和(g)所示,我们观察到ii i i iF图3(d)显示了流行的ResNet模型[12]的去雨结果,我们已经修改了该模型以适用于图像回归问题(如图5所示)。原始的ResNet结构可以去除雨纹,但也会模糊鸟的羽毛。相比之下,如图3(e)所示,通过简单地嵌入非线性映射而不使用ResNet,R通道G通道B通道R通道G通道B通道R通道G通道B通道像素数(x 104)R通道G通道B通道像素数像素数像素数3858详细详细详细2图5:我们考虑的五种网络架构用于除雨问题。(Left右)直接网络,Neg-mapping,ResNet,ResNet+ Neg-mapping和最终的深度细节网络,提供了最佳性能。结构(参见图5)。这是因为无损信息被直接传播并用于通过跳过连接更新参数。此外,如图10中我们的实验所示,与ResNet相比,E-mapping的训练和测试误差更低。尽管图3(e)的结构相似性指数(SSIM)[33]高于ResNet,但如标题所示,(h)。我们看到细节层比图像更稀疏,因为细节层中的大多数区域接近于零。细节层的稀疏性已经在现有的de-rain方法中得到了利用[14,18,25],尽管不是在深度学习框架中。此外,如图4(c)、(d)、(g)和(h)所示,细节层和双映射残差都表现出显著的范围减小。因此,该示例中的有效映射是从[0,1]D的较小子集到[0,1]D。这表明解决方案空间已经缩小,因此净-工作效率有待提高[12]。这促使我们将细节层X细节与建议的Y-X映射结合起来,作为ResNet参数层的输入。因为我们训练网络细节层,我们称之为“深度细节网络”。图3(g)示出了通过将所提出的深度细节网络与负映射(也参见图5)相结合的最终结果。与其他网络结构相比,我们的最终结果不仅实现了良好的SSIM和收敛速度(图10),而且具有更清晰的视觉去雨效果。2.2. 目标函数与网络结构我们的去雨系统的输入是下雨的图像X,输出是干净图像Y的近似值。基于前面的讨论,我们将目标函数定义为,L=<$N<$f(X,W,b)+X-Y<$2,(4)输出. 这意味着雨纹和物体的细节是i=1i,详细信息i iF并不完全被模型所区分。这就激发了以下的发展,即对网络映射思想的发展。2.1.2深度细节网络由于更深层次的架构可以增加探索和建模图像特征的灵活性和容量[30],因此我们使用ResNet[12]结构和映射其中N是训练图像的数量,f(·)是ResNet,W和b是需要学习的网络参数对于X层,我们首先使用引导滤波[11]作为低通滤波器将X分成基础层和细节层。(其他方法在我们的实验中也很有效去除图像索引,我们的基本网络结构可以表示为,以更好地区分雨带和物体细节。这x0的详细 =X-Xbase,(5)结构保证了输入信息的正确性,通过所有参数层进行agated,这有助于训练网络[12]。然而,我们在图3(f)中观察到,即使我们将这两种情况结合起来,仍然存在轻微的雨带X1详细X2升详细X2l +1=σ(BN(W1<$X0=σ(BN(W2l<$X2l−1=σ(BN(W2l+1X2l+b1)),+b2l)),+b2l +1))+X2l−1,在输出中。因此,与原始ResNet方法相比,我们使用细节层作为参数的输入详细Y近似值详细= BN(WL<$XL−1+bL)+X,详细层。为此,我们首先将下雨的图像建模为其中l = l,… L−2,其中L为总层数,X=X详细 +X基础、(3)表示卷积运算,W包含权重,b偏差,BN(·)表示批次归一化至所有偏差其中下标“base”表示基层。基础层可以使用X的低通滤波来获得[11,32,37],之后细节层Xdetail= X-X base。从图像中减去基本层后,背景的干扰被去除,只有雨条纹和物体结构被重新提取。细节层中的main这在图4(d)中显示,3859内协变移位[16],σ(·)是一个线性校正单位(ReLU)[22]非线性。 在我们的网络中,删除操作以保留空间信息。对于第一层,我们使用大小为c×s1×s1×a1的滤波器来生成a1特征图;s表示滤波器大小,c表示图像通道的数量,例如,对于灰度级,c=1,对于彩色图像,c=3对于第2层到第4层3860(a) 地面实况(b)雨天图像(c)方法[25](d)方法[24](e)我们的结果图6:三个不同方向和大小的合成图像:(从上到下)L−1,滤波器的大小为a1× s2× s2× a2。 对于最后一层,我们使用大小为a2× s3× s3× c的滤波器来估计负残差。该方法通过直接加对雨天图像X的估计残差。讨论值得注意的是,尽管我们的层参数的结构是基于原始ResNet[12],如图5所示,但这两个网络具有不同的动机和实现。ResNet旨在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则直接使用双映射来先验地减少映射范围ResNet旨在为高级视觉任务(如图像分类和对象检测)训练一个非常深度的神经网络。我们的深度网络使用图像领域知识来专注于图像回归问题和提高图像质量。ResNet使用图像本身作为网络的输入,我们的网络使用细节层进行改进的训练,以及提出的neg-mapping。2.3. 培训我们使用随机梯度下降(SGD)来最小化等式(4)中的目标函数。由于很难从真实世界的数据中获得大量的干净/下雨的图像对,我们使用[1]合成下雨的图像。 我们从UCID 数据集 [29],BSD 数据集[2]和Google图像搜索中收集了1,000张干净的图像来合成下雨的图像。每个干净的图像用于生成14个具有不同条纹方向和大小的雨天图像。因此,我们在包含14,000对雨天/干净图像的数据集上进行训练。我们随机挑选了9,100张图片从中我们生成了300万个64 ×64的雨/净斑块对。经过训练,剩下的4,900个图像对用于评估训练好的网络。3. 实验为了评估我们的深度细节网络,我们使用合成和真实世界的数据,并与两种最新的最先进的去训练方法进行比较,一种是基于字典学习[25],另一种是基于混合建模[24]。我们使用Caffe软件包来训练我们的模型[17]。1使用下面的设置训练我们的网络大约花了14个小时。3.1. 参数设置我们将细节网络深度设置为L=26,并使用权重衰减为10−10,动量为0的SGD。9和小批量20。我们从学习率为0开始。1,在100K和200K迭代时将其除以10,并在210K迭代时终止训练。我们设置过滤器大小s1=s2=s3=3和过滤器编号a1=a2=16,这两个都在2.2节中描述。 较大的滤波器尺寸能够捕获更多的结构信息,并以算法速度为代价潜在地改善结果;在我们的研究期间,实验中,我们发现3×3过滤器大小生成的结果代表了我们的深层网络结构,而计算效率仍然很高。由于该过程应用于彩色图像,我们设置c=3,也在第2.2节中描述。用于低通滤波的引导滤波器的半径为15。3.2. 合成试验数据的结果图6显示了用于测试的三个合成大小的雨天图像中可以看出1 我 们 分 享 我 们 的 Matlab 实 现 和 合 成 雨 图 像 数 据 集 :http://smartdsp.xmu.edu.cn/cvpr2017.html3861表1:在合成测试图像上使用SSIM的定量测量结果图像地面实况雨象方法[25]方法[24]我们女孩10.650.710.800.90花10.690.770.810.92伞10.750.800.820.864,900张测试图像10.78 ±0.120.83 ±0.090.87 ±0.070.900.05±(a) (b)方法[25](c)方法[24](d)我们的方法图7:现实世界的下雨图像“街道”和放大区域的结果(a)(b)方法[25](c)方法[24](d)我们的方法图8:真实世界雨天图像的两个结果,(上)第三列和第四列,方法[25]留下明显的雨条纹,方法[24]包含雨伪像。这是因为方法[24,25]仅使用低级图像特征来去除雨水。当一个物体的方向和大小与雨条纹的方向和大小相似时相比之下,我们在上一篇专栏中展示的基于CNN的深度方法可以在保留细节的同时去除雨水。由于合成问题的真实情况是已知的,因此我们使用SSIM[33]进行定量评估。较高的SSIM指示去雨图像更接近于在图像结构属性方面的地面实况。(SSIM等于1表示地面真值。)如表1所示,方法[24,25]的伪影导致较低的SSIM,与视觉效果一致。表1还显示了根据第2.3节所述构建的4,900张测试图像的定量性能。3.3. 真实世界测试数据的结果图7和图8示出了在与感兴趣对象的不同接近度下的真实世界图像上的三个定性结果。质量,所提出的方法显示了最好的视觉38621000不同学习策略的趋同900800700600(a) 雨天图像(b)去雾(a)(c)去雨(b)500400300图9:使用除雾技术清除大雨的示例在清除雨水方面的表现。方法[25]仍然包含雨条纹,而方法[24]生成过度平滑的结果。由于不存在标准的高质量无参考定量测量,我们只显示真实世界数据的定性结果。在处理大雨时,图像可能会变得模糊。这种模糊性不会出现在用于训练我们网络的合成图像中。在这种情况下,我们发现应用去雾方法作为预处理是有用的。我们在图9中展示了一个例子,将我们的深度网络与去雾算法相结合[27]可以进一步提高真实世界雨天图像的视觉质量。3.4. 测试映像上的运行时间与其他非深度方法相比,我们提出的方法可以非常有效地处理新图像。表2显示了处理三种不同图像尺寸的测试图像的平均运行时间,每种尺寸平均超过100个测试图像。方法[24,25]根据提供的源代码使用CPU实现由于方法[25]基于字典学习,方法[24]基于高斯混合模型学习,因此仍然需要复杂的优化来去除测试图像,这导致计算时间较慢。我们的方法对新图像的运行时间明显更快,因为它在网络训练后完全是前馈的。表2:测试运行时间(秒)的比较。图像尺寸[25日][24日]我们的(CPU)我们的(GPU)250 ×25054.9169.61.90.2500 ×500189.3674.86.30.3750 ×750383.91468.712.60.53.5. 不同网络结构在图10中,我们显示了图105. 我们注意到,到目前为止所显示的结果对应于图5中的最后一个网络,该网络是根据前面的讨论选择的。在这些方法中,我们观察到200100电话:+86-0511 - 88888888传真:+86-0511 - 88888888迭代次数(×105)图10:不同网络结构的融合。在105和2×105次迭代中由垂直线表示的下降是由于预定的学习率划分。“直接网络”和ResNet代表以前的出租,而其余三个我们回想一下,在100K和200K迭代时,我们通过除以10来修改步长,这说明了这些点处的跳跃。我们观察到,我们的最终网络在训练数据上具有最佳的收敛速度(实线),而测试性能略好于我们考虑的其他两个选项,并且明显优于现有的我们相信这种性能的提高是因为我们使用了与细节层结合的双映射来减少映射范围,这有利于第2节中讨论的回归问题。此外,我们最终的网络比其他网络结构具有稍微更清晰的视觉去雨效果,如前所示,如图3所示。3.6. 网络深度与广度人们普遍认为,较深的结构不利于低层次的图像任务[7,27]。然而,我们在上面指出,通过适当的网络设计,结合领域知识,更深的结构可以帮助增加网络这种增加的能力可以有两种形式:一种是通过堆叠更多的隐层来增加网络的深度,另一种是通过在每个隐层中使用更多的滤波器来增加网络的宽度。在本节中,我们测试了网络深度和广度对100幅合成降雨图像的影响。具体来说,我们测试了深度L=∈{14,26,50}和过滤器数量a1=a2∈ {16,32,64};我们显示了这些结果表3:使用不同网络大小的平均SSIM1= 2= 16a1=a 2= 32a1=a 2= 64L= 140.9060.9120.915L= 260.9160.9200.920L= 500.9210.9260.928训练错误-直接网络训练错误-ResNet训练错误-负映射训练错误- ResNet+Neg-mapping训练错误-最终网络测试错误-直接网络测试错误-ResNet测试错误-负标测测试错误- ResNet+Neg-mapping测试错误-最终网络均方误差(MSE)3863表4:100个合成测试图像的平均SSIM。(Max std=0。032,最小标准差= 0。(026)深度814202650ResNet0的情况。8960的情况。9040的情况。9090的情况。9070的情况。917我们0的情况。8960的情况。9060的情况。9150的情况。9160的情况。921(a)降雨图像(b)[9](SSIM=0.78)(c)我们的(SSIM=0.86)图12:与深度学习方法的比较[9]。(a)我们的26|0的情况。940(b)ResNet |0的情况。942(c)ResNet 26|0的情况。926图11:降低性能(层数|SSIM)表3所很明显,添加更多的隐藏层会比增加每层的过滤器数量获得更好的结果由此,我们相信,通过适当的网络设计来避免梯度消失,更深的结构可以改善建模结果。为了平衡per-speed和速度之间的权衡,我们选择深度L=26和过滤器数量a1=a2=16用于我们上面的实验。我们还将我们的网络与ResNet的性能作为深度的函数进行了比较。如表4和图11所示,对于更深的模型,我们的网络使用一半的层数生成与ResNet相当的结果。3.7. 与基于深度学习的方法的比较我们还尝试了为窗口污垢/水滴去除设计的深度学习方法[9],这是我们所知道的唯一一种相关的深度学习方法。如图12所示,[9]中的模型与我们的方法相比并不好。这是因为[9]中开发的方法对应于图5中使用三层的直接网络如第2节所述,直接在图像域上进行训练有缺点,并且不能很好地处理更深的结构,因此[9]的性能较差。通过使用负映射和对图像进行预过滤,我们展示了更深的结构如何实际上帮助去雨并提高性能。3.8. 扩展:减少噪声和JPEG伪影最后,我们提到我们的深度细节网络可以直接应用于其他类型的退化图像。图13显示了图像去噪和JPEG压缩伪影减少的实验结果。该测试表明,所提出的网络实际上是图像处理任务的通用框架。(a)噪声(上)和JPEG(下)(b)我们的结果图13:去噪和减少JPEG伪影。4. 结论我们已经提出了一个端到端的深度学习框架,用于从单个图像中去除雨水我们发现,结合图像的高频细节层内容并对负残差信息进行回归有利于去雨性能,因为它通过减小映射范围使训练过程更容易。由于我们没有与真实世界的雨天图像相对应的地面真实干净图像,因此我们合成了干净/雨天图像对用于网络学习,并展示了学习后的网络如何仍然可以很好地传输到真实世界的图像。我们表明,我们的方法在图像质量和计算效率方面明显优于基于字典学习和混合建模框架的其他最先进的如第3.8节所示,我们的“深度细节网络”方法的动机当期望图像和观察图像之间的损坏是高频的时,训练网络以从高频输入细节映射到高频输出差异显著简化了深度学习问题。正如我们所观察到的,这意味着学习网络在新图像上的性能得到了显著提高。3864引用[1] http://www.photoshopessentials.com/photo-effects/rain/的网站。[2] P. Arbelaez,M.迈尔角Fowlkes和J.马利克轮廓检测与分层图像分割。IEEE Transactions on Pattern Analysis andMachine Intelligence,3(5):898[3] P. C. Barnum,S. Narasimhan和T.卡纳德雨雪天气的频率空间分析。International Journal of Computer Vision,86(2-3):256[4] J. Bossu,N. Hautiere和J.塔瑞尔通过使用条纹方向的直方图在图像序列中检测雨或雪。International Journal ofComputer Vision,93(3):348[5] D. Y. Chen C.,马缨丹属C. Chen和L.W. 康基于稀疏编码的视觉深度IEEE Transactions on Circuits and Systemsfor Video Technology,24(8):1430[6] Y. L. Chen和C. T. Hsu.时空相关雨带的广义低秩出现模式。InICCV,2013.[7] C.东角,澳-地L. Chen,K.他,还有X。唐使用深度卷积 网 络 实 现 图 像 超 分 辨 率 。 IEEE Transactions onPattern Analysis and Machine Intelligence,38(2 ):295[8] C. 董,Y.登角,澳-地C. Loy和X.唐通过深度卷积网络减少压缩伪影。在ICCV,2015年。[9] D. Eigen,D. Krishnan和R.费格斯。恢复通过被灰尘或雨水覆盖的窗户拍摄的图像。InICCV,2013.[10] K. Garg和S.K. 纳亚尔从视频中检测和去除雨水载于CVPR,2004年。[11] K. 他 , 孙 杰 , 还 有 X 。 唐 引 导 图 像 滤 波 。 IEEETransactionsonPatternAnalysisandMachineIntelligence,35(6):1397[12] K.他,X。Zhang,S. Ren和J. Sun.用于图像识别的深度残差学习。在CVPR,2016年。[13] K.他,X。Zhang,S. Ren和J. Sun.深度剩余网络中的身份映射。在ECCV,2016年。[14] D. A.黄湖,澳-地W.康,Y。C. F. Wang和C. W.是林书基于自学习的图像分解及其在单幅图像去噪中的应用。IEEE Transactions on Multime-dia,16(1):83[15] D. A. 黄湖,澳-地W. 康,M。C. 杨角,澳-地W. Lin和Y.C. F.王.上下文感知的单图像雨去除。在IEEE ICME,2012年。[16] S. Ioffe和C.赛格迪批次标准化:通过减少内部协变量偏移来加速深度网络训练。ICML,2015。[17] Y. Jia、E.Shelhamer,J.多纳休S.Karayev,J.隆河,西-地Gir- shick,S. Guadarrama和T.达雷尔。Caffe:用于快 速 特 征 嵌 入 的 卷 积 架 构 。 ACMInternationalConference on Multimedia,2014。[18] L. W.康角,澳-地W. Lin和Y. H. Fu.通过图像分解自动去除基于单个图像的雨条纹。IEEE Transactions onImage Processing,21(4):1742-1755,2012。[19] J. Kim,J. K. Lee和K. M.李你使用非常深的卷积网络实现精确的图像超分辨率在CVPR,2016年。[20] J. H.金角,澳-地李,J. Y. Sim和C. S. Kim.使用自适应非局部均值滤波器的单图像去噪。在IEEE ICIP,2013年。[21] J. H.金,J. Y. Sim和C. S. Kim. 视频去同步以及使用时间相关性和低秩MAC-MAC-COMPLEMENT进行去噪IEEE Transactions on Image Processing,24(9):2658[22] A.克里热夫斯基岛Sutskever和G.辛顿使用深度卷积神经网络进行ImageNet分类NIPS,2012年。[23] Y.勒昆湖Bottou,Y. Bengio和P.哈夫纳基于梯度的学习应用于文档识别。Proceedings of the IEEE,86(11):2278[24] Y. 利河,巴西-地T. Tan,X.Guo,J.Lu和M.S. 布朗使用层先验去除雨痕在CVPR,2016年。[25] Y. Luo,Y.Xu和H.纪通过鉴别稀疏编码从单幅图像中去除雨水在ICCV,2015年。[26] J. S. 伦湖,澳-地徐,智-地Yan和W.太阳Shepard卷积神经网络2015年,在NIPS[27] W. Ren,S. Liu,H. Zhang,J. Pan,X.中国农业大学出版社。Cao和M. H.杨通过多尺度卷积神经网络实现单图像去雾。在ECCV,2016年。[28] 诉Santhaseelan和V.K. Asari 利用局部相位信息去除视频中的雨水。International Journal of Computer Vision,112(1):71[29] G. Schaefer和M.斯蒂奇UCID:未压缩的彩色图像数据库。多媒体的存储和检索方法及应用,2003年。[30] K. Simonyan和A.齐瑟曼。用于大规模图像识别的深度卷积网络。2015年,国际会议[31] C.- H.儿子和X P. Zhang.通过稀疏代码的收缩和学习的雨字典来去除雨。在IEEE ICME,2016年。[32] C. Tomasi和R.曼杜奇灰度和彩色图像的双边滤波。载于ICCV,1998年。[33] Z. Wang,中国山核桃A. C. Bovik,H. R. Sheikh和E.西蒙切利图像质量评估:从错误可见性到结构相似性。IEEE Transactions on Image Processing,13(4):600[34] 谢杰湖,加-地Xu,E. Chen,J. Xie,and L.徐使用深度神经网络进行图像去噪和修复。NIPS,2012年。[35] S.你 , RT.坦 河 , 巴 西 - 地Kawakami , Y.Mukaigawa,K.池内视频中附着雨滴的建模、检测与去除。IEEETransactionsonPatternAnalysisandMachineIntelligence,38(9):1721[36] K. Zhang,W.左,Y. Chen,中国粘蝇D. Meng和L.张某在高斯去噪器之外:深度CNN的残差学习用于图像去噪 。 IEEE Transactions on Image Processing , 2017 。doi:10.1109/TIP.2017.2662206。[37] Q. Zhang,X.申湖,澳-地Xu和J.贾滚动制导滤波器。2014年,在ECCV
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- 藏经阁-应用多活技术白皮书-40.pdf
- 藏经阁-阿里云计算巢加速器:让优秀的软件生于云、长于云-90.pdf
- 藏经阁-玩转AIGC与应用部署-92.pdf
- 藏经阁-程序员面试宝典-193.pdf
- 藏经阁-Hologres 一站式实时数仓客户案例集-223.pdf
- 藏经阁-一站式结构化数据存储Tablestore实战手册-206.pdf
- 藏经阁-阿里云产品九月刊-223.pdf
- 藏经阁-2023云原生实战案例集-179.pdf
- 藏经阁-Nacos架构&原理-326.pdf
- ZTE电联中频一张网配置指导书
- 企业级数据治理之数据安全追溯
- MISRA-C 2012-中文翻译版.pdf
- 藏经阁-《多媒体行业质量成本优化及容灾方案白皮书》-37.pdf
- 藏经阁-浅谈阿里云通用产品线Serverless的小小演化史-23.pdf
- 藏经阁-冬季实战营第一期:从零到一上手玩转云服务器-44.pdf
- 藏经阁-云上自动化运维宝典-248.pdf
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功