ERL-Net：单图像去雨新方法与残差学习

"ERL-Net: 一种用于单图像去雨的残差学习方法，旨在改善图像去雨的效果，尤其是在细节恢复和去除雨痕方面。该方法通过在编码器-解码器网络中引入残差学习分支，学习从低质量嵌入到潜在最优嵌入的内在映射，以提升解码器生成的去雨结果。这一技术可以应用于任何基于编码器-解码器的图像恢复网络，并且在四个基准数据集上实现了新的最先进的结果。" 在单图像去雨领域，编码器-解码器网络已经取得了显著的进步，但仍然存在模糊和细节丢失的问题。ERL-Net（Embedding Residual Learning Network）针对这一问题进行创新，它将编码器-解码器网络视为条件生成器，其中解码器依赖于编码器学习的嵌入来生成去雨图像。然而，现有的模型由于学习到的低质量嵌入，导致生成的去雨结果不尽人意。 ERL-Net提出了一种残差学习分支，学习从低质量嵌入到高质量嵌入的映射。这个映射允许解码器自适应地将残差添加到原始嵌入中，以纠缠的方式改进结果。这种方法使得解码器能够生成更清晰、细节更丰富的去雨图像，同时有效地去除雨痕。在Rain100H等具有挑战性的数据集上，ERL-Net相比于其他方法，提升了PSNR 4.19dB和SSIM 5%，显示出其优越性。 此外，ERL-Net的纠缠表示学习机制不仅限于特定的网络结构，可以轻松地应用到其他基于编码器-解码器的图像恢复任务中。为了深入理解这一机制，作者还提出了一系列评估指标，以便研究和验证所提出方法的有效性。 代码已公开，可在https://github.com/RobinCSIRO/ERL-Net-for-Single-Image-Deraining获取，这为研究者和开发者提供了实践和进一步改进这一技术的机会。通过这种方法，ERL-Net为提高户外计算机视觉系统在恶劣天气条件下的性能，特别是在智能监控和自动驾驶等领域，开辟了新的可能。