没有合适的资源?快使用搜索试试~ 我知道了~
展开雨导细节恢复网络: 单图像去噪的虚拟现实智能硬件
虚拟现实智能硬件• 文章·2023年2月第5卷第1期:1110.1016/j.vrih.2022.06.002展开雨导细节恢复网络用于单图像去噪林凯龙,张少伟,罗宇,凌洁*广东工业大学计算机学院广东广州510006接收日期2022年3月10日;修订日期2022年5月15日;接受日期2022年6月9日翻译后摘要:背景由于深度网络的快速发展,单图像deraining任务取得了显着进展。已经设计了各种架构来递归地或直接地去除雨,并且大多数雨条纹可以使用现有的去重方法来去除然而,它们中的许多会导致细节丢失,从而导致视觉伪影。方法为了解决这个问题,我们提出了一种新的展开雨导细节恢复网络(URDRN)的基础上观察到的背景图像的退化最严重的地区往往是最雨损坏的区域单图像去盲此外,为了解决大多数现有的基于深度学习的方法简化观测模型并简单地学习端到端映射的问题,所提出的URDRN将单个图像去重任务展开为两个子问题:雨水提取和细节恢复。结果首先引入上下文聚合注意力网络,有效提取雨痕;然后生成雨痕注意力图,作为指导细节恢复过程的指标。对于细节恢复子网络,在雨注意图的指导下,一个简单的编码器-解码器模型就足以恢复丢失的细节。在几个著名的基准数据集上的实验表明,所提出的方法可以达到与其他国家的最先进的方法类似的性能。关键词:图像去冗余;雨水注意;细节恢复;展开网络;上下文聚合注意广州市科学技术基金项目(202102020591; 202007010004; 202007040005)资助引文:林凯龙,张少伟,罗宇,凌洁.展开一个雨引导的细节恢复网络,用于单图像去重。虚拟现实智能硬件,2023,5(1):111 介绍下雨是一种常见的恶劣天气。不同形状、大小和方向的雨条纹会使图像背景变得模糊,导致图像质量下降,包括强度波动、颜色失真甚至内容改变。这种退化损害图像的视觉质量,并导致许多需要高质量图像的户外计算机视觉系统的不期望的性能。因此,必须对图像进行去噪,并研究有效的去噪方法。在这项研究中,我们解决了单图像雨去除的问题。图1显示了使用所提出的方法和其他最先进的方法获得的真实雨图像的derained结果。*通讯作者 :jling@gdut.edu.cn2096-5796/©版权所有2023北京中科学报出版有限公司有限公司、出版社:Elsevier B.V.我代表科爱通信有限公司公司 这是CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by/4.0/)。12虚拟现实智能硬件二月(2023)卷。5号1图1真实世界降雨图像的Deraining示例:我们的URDRN与最先进方法的视觉比较与视频不同,单个图像不具有可以利用的冗余时间信息。因此,去除雨条纹,同时保留单个图像中的大部分细节是一项具有挑战性的任务。在大多数早期的单图像去噪方法中,首先,建立雨成像模型,并将手工制作的先验应用于雨和清晰图像层。随后,开发优化算法以追求最小化。典型的基于模型的去噪方法包括图像分解[1]、稀疏编码[2,3]和高斯混合模型[4]。这些方法的工作以及当他们的假设是站得住脚的,但是,大多数主观的假设是有效的,只有一个特定的雨的形式,通常不适用于现实世界的雨图像与复杂的背景破坏各种雨的形式。尽管如此,上述模型在其成立之初就达到了最先进的性能。最近,深度学习的出现导致了各种基于深度网络的方法的发展。许多训练对用于直接[5-7]或逐步[8,9]从雨图像和干净图像学习映射为了减少对训练数据的依赖[10,11],某些深度架构基于额外的降雨或图像假设。虽然这些基于深度学习的方法优于传统的基于优化的方法,并表现出有效的去抑制性能,但某些问题仍有待解决。首先,它们中的许多会导致过度去重或丢失某些纹理细节。其次,由于深度网络的重点是学习从降雨图像到干净图像的映射,原始观测模型往往被忽略或忽略,使得重建不可靠和有问题。而成像重建模型是区分雨层和背景层相互促进的重要指标。最后,图像先验经常被引入到传统的去盲方法中,在其中它们发挥着重要作用。然而,这在基于深度学习的去重方法中经常被忽略为了解决上述问题,我们提出了一种新的展开雨引导的细节恢复网络(URDRN)的单图像去噪。在建议的URDRN模型中,恢复纹理细节损失由于过度deraining,一个有效的雨线索用于指导。此外,为了准确地提取雨水,引入了上下文聚合注意力网络(CAAN)以充分利用全局高级语义信息,因为全局信息已被证明有助于雨水提取[12]。此外,建议URDRN展开成两个子网,这有两个好处。在每个子网络中,用于建立成像模型的数据保真度项我们的贡献概述如下。• 与其他通过复杂损失函数的正则化来恢复丢失的细节的deraining方法13Kailong LIN,et al.展开雨导细节恢复网络以实现单图像去噪在一个统一的框架或简单地忽略进一步的背景细节恢复,我们的方法涉及使用雨线索,以指导细节恢复有效。• 与其他基于深度学习的去重方法忽略隐藏在图像中的数据保真度项和先验知识不同,所提出的模型在统一的框架中展开为两个子网络,在一定程度上弥合了数据学习和优化• 大量的实验表明,该模型优于其他国家的最先进的模型在合成和真实的雨图像的主观视觉体验和客观评价指标。2 相关工作在没有冗余时间信息的情况下,单图像去盲比视频去盲更具挑战性[13为了解决这个问题,已经提出了各种去同步方法。通常,现有的单图像去水印方法可以大致分为两类:基于优化的方法和基于深度学习的方法。2.1 基于优化的去重方法通常,广泛使用的雨模型将雨图像视为干净背景图像层和雨层的线性组合[16,17]。图像去伪问题是不适定的,因为未知数的数目多于方程的数目。基于优化的方法集中于利用降雨层的物理特性和探索背景层的额外先验知识来解决上述不适定问题。Zheng等人开发了一种多引导滤波器,用于对降雨图像进行滤波,以获得初始的雨水去除图像[18]。随后,雨图像的低频部分张等人利用雨条纹的低秩属性提取它们[19]。Luo等人提出了基于图像块的区分稀疏编码来区分雨条纹和背景图像[2]。Li等人介绍了一种基于高斯混合模型的降雨图像分离成雨和背景层[4]。Gu等人集成了卷积分析和合成稀疏表示来去除雨纹[3]。这些方法在开始时就达到了最先进的性能,并刺激了雨水清除方法的发展2.2 深度学习方法最近,基于深度学习的方法[6,20,21]由于其强大的高级特征表示和学习非线性函数的能力,已被引入用于单图像去噪这些方法旨在通过将大型数据集馈送到精心设计的深度网络来学习映射基于深度卷积神经网络和残差网络(ResNet),Fu等人提出了一种深度细节网络,以减少从输入到输出的映射范围,简化学习过程[5]。Zhang等人使用条件生成对抗网络来保留被破坏图像的细节,确保被破坏图像不会退化[7]。相比之下,Chai等人提出了一种增强的注意力生成对抗网络,并利用多尺度聚合注意力模块来生成注意力地图,以引导后续网络关注降雨区域[22]。Yang等人开发了一种具有多任务学习架构的循环情境化扩张网络,以联合检测和去除雨纹[9]。Li等人提出了一种递归神经网络,通过递归地利用扩张卷积和挤压和激励块来消除大雨条纹[12]。Ren等人提出了一种基于递归神经网络架构的改进和简化的基线去重网络,通过反复展开浅ResNet逐步消除雨纹[8]。Wang等人构建了一个大规模的真实世界的雨数据集,并提出了一个14虚拟现实智能硬件二月(2023)卷。5号1空间注意力网络以从局部到全局的方式消除雨带[23]。Deng等人将单图像去重视为两个独立的任务:雨水去除和细节恢复[24]。在此基础上,引入了两个并行的具有综合损失函数的子网络,它们协同工作,实现了去盲和恢复因去盲而丢失的Zhu等人提出了一种物理模型引导的学习网络,并开发了一种引导学习网络,以有效地改进雨条纹和无雨图像的估计[25]。Yang等人提出了一种基于频带恢复的分形频带学习网络,将频带特征操作与神经模块相结合,有效提高了捕获用于去噪的判别特征的能力[26]。Jiang等人构建了一个多尺度渐进融合网络,从输入图像尺度和分层深度特征的角度探索雨纹的多尺度协同表示[27]。3 该方法基于最简单和常用的降雨加性模型,降雨图像可以分解为背景图像层和降雨层,如下所示:O=R+B(1)其中O表示观察到的雨图像,R表示雨层,B表示干净的背景图像层。从一幅雨图像中同时恢复雨和背景层是一个高度不适定的问题,需要引入额外的先验知识来确定解。基于贝叶斯公式,通过最大化后验概率logP(R,B)来获得解|O),其可以被公式化如下:(R,B)= argmax P(R,B)|O)= argmax P(O|(R,B)+P(R)+P(B)( 2)R,B R,B其中P(O|R,B)表示数据似然项,其通常对应于12-范数数据保真度项,并且P(B)和P(R)分别表示表征背景和雨水层的先验知识的先验项。计算负对数以重写等式。(2)如下:2(R,B)=argminR、BO RB+ (R)+(B)(3)2其中第一项表示数据保真度项,并且(R)和(B)是与之相关分别具有先验项P(R)和P(B);这些在获得所需解方面起着重要作用。根据广泛使用的乘法器技术的交替方向方法[28],上述-所述优化问题可以转化为如下两个子问题Rt+1= argminRBt+1= argminBO BtO Rt+12R+ (R)(4)22B+(B)(5)2基于这种形式,上述两个子问题可以被认为是去噪问题[29]。因此,在本发明中,正则化子的精确形式(R)和(二)不需要明确表述。为了得到解决方案,下一个第一步是从训练数据集中为R和B构建有效的去噪器。值得注意的是,雨提取子问题之前的背景恢复子问题,因为雨是一个有效的线索,详细重新阐述。3.1 展开架构根据上述讨论,图像去同步任务被转换为涉及解决15Kailong LIN,et al.展开雨导细节恢复网络以实现单图像去噪上下文聚合注意力网络ORt+1· · ·Conv3x3CABMD-CAB1MD-CAB2MD-CAB5MD-CAB6MD-CAB7山姆跳过连接2乙状跳过连接1X CO -Rt+1Conv3x3CAB编码1编码2编码3 解码1 解码2解码3Conv 3x3Bt+1背景细节恢复网络两个子问题。第一步是从观测到的雨图像中分解出雨层,第二步是从观测到的雨图像和前一步提取的雨层中恢复出干净的背景图像。此外,基于观察到的背景图像的最退化的区域往往是最雨污染的区域,在第一阶段中提取的雨可以被用作线索,以指导恢复干净的背景。图2显示了所提出的展开架构。图2我们提出的展开雨导细节恢复网络(URDRN)的框架。CAB是一个通道注意模块,它由一个剩余块和通道注意组成,MD-CAB是一个多尺度扩展的CAB,SAM是一个监督注意模块,它是一个多尺度扩展的CAB表示信道维度中的级联操作以及乘法,分别。3.2 用于提取R的如EQ中所示。(4),具体的约束,,被施加在雨图像R上。在传统的基于模型的图像去噪方法中,需要手工构造先验知识来分离背景和雨层层.在这项研究中,我们利用CAAN来拟合降雨的物理先验。雨的先验是自主开发的训练建议CAAN。Rt+1=CAAN(O Bt;WCAAN)(6)其中OB t表示输入,WCAAN表示要学习的参数。所提出的CAAN的结构在图2中的紫色虚线框中示出。全文共分四个部分。第一部分是用于获得浅特征表示的简单卷积层,第二部分是通道注意力块(CAB)[30],它可以捕获跨通道特征并增强分辨率。网络的犯罪能力第三部分是CAAN中最重要的部分,由七个部分组成多尺度扩张的CAB(MD-CAB),这将在随后详细描述在CAAN结束时,我们首先引入了监督注意模块(SAM)[31],该模块基于当前提取的雨纹特征重建粗略的背景层此外,代替直接提取雨,添加长跳跃连接来预测残差,这16虚拟现实智能硬件二月(2023)卷。5号1已被证明有助于网络的稳定性和鲁棒性[32]。MD-CAB的结构由于空间上下文信息已被证明在图像去伪任务中检测雨水时有用[12],为了获得更有效的上下文信息,使用多尺度扩张卷积(MD)来提取不同尺度的雨水特征。具体来说,MD由三个膨胀卷积层组成,其内核大小为3,膨胀为1、3和5。这种MD策略在保持参数数量不变的情况下,可以获得更大的感受野,并且可以在减少训练负担的同时获得更多的上下文信息。在MD滤波器的卷积之后,为了提取主特征并降低特征维数,将不同尺度的膨胀特征连接并输入到1×1卷积。此外,信道注意力(CA)的机制,引入自适应最好地利用功能信道的注意力信息。MD-CAB模型如图3所示。图3多尺度扩张通道注意阻断(MD-CAB)。红色虚线框标记通道注意操作。3.3 恢复B类似地,不需要设计背景层的显式先验模型。此外,基于观察到的背景图像的最退化的区域往往是最雨损坏的区域,提取的雨层可以被用作一个独立的线索。在这项研究中,我们利用一个简单的基于编码器-解码器的网络的背景层的先验知识Bt+1=BDRN(O Rt+1;Rt+1;WBDRN)(7)其中BDRN表示背景细节恢复网络,OR t+1表示网络的输入,Rt+1作为一个线索来指导细节恢复,WBDRN是要学习的参数。拟议的BDRN的结构如图2中的绿色虚线框所示。它有两个输入,其中一个是从原始雨图像中减去前一个CAAN的输出的结果,这产生一个粗糙和过度平滑的背景层,缺少某些细节。另一个是提取的雨水层,这是一个线索,以指导恢复。这两个被连接并输入到一个简单的卷积层和一个CAB,在CAAN中。随后,基于在图像恢复中的成功应用[31],encoder–decoder 此外,进行了两个修改第一种是引入CAB来生成编码器的注意力图,以指导解码器强调或抑制所提取的特征。其次,双线性上采样被转置卷积取代,使网络能够学习和保留更多细节。3.4 损失函数在本文中,提出了三种类型的损失函数来正则化网络训练:负结构相似性损失[33],图像场上的Charbonnier损失[34]最终损失函数定义在两个17Kailong LIN,et al.展开雨导细节恢复网络以实现单图像去噪子网络,计算如下:L=LCANN+LBDRN(八)其中LCAAN仅控制中间结果。因此,使用简单的结构损失,如下所示:LCANN=SSIM(O Rt+1,Bgt)(9)其中Bgt表示地面实况非雨图像。为了改进去同步性能,L_BDRN包含三个部分-L_slim、L_char和L_edge-其计算如下:Lslim=Lchar=L边缘=SSIM(Bt+1,Bgt)(10)(十一)(十二)具体地,表示拉普拉斯算子,并且是用于稳定值的常数,我们将其经验地设置为103。Lssim用于很好地保持结构,Lchar和Ledge用于很好地处理离群点。这三个损失函数合并如下:LBDRN=1Lslim+2Lchar+3L边缘(十三)其中1、2和3是用于平衡不同损失函数的权重系数。我们设置1, 在我们的实验中,2为1,34 实验4.1 数据集该网络在三个合成数据集上进行了评估:Rain100L[9],Rain100H[9]和Rain800[7]。Rain100L包含200对训练图像和100对测试图像,雨的密度很小。Rain100H包含1800个训练对和100个测试对,有五种大雨类型。Rain800包含700个用于训练的图像对和100个用于测试的图像对。与Rain100L和Rain100H相比,Rain800的背景更加多样化,降雨密度适中4.2 基线和衡量标准将所提出的方法与十种最先进的方法进行比较:两种基于优化的方法和八种基于深度学习的方法,即DSC[2],LP[4],DDN[5],ID-CGAN[7],RESCAN[12],JORDER-E[35],SPAN[21],[24][25][26][27][28][29][29][29][29]为了定量评估不同方法的性能,使用两个常用的度量,即结构相似性(SSIM)和峰值信噪比(PSNR)。4.3 培训详情整个网络在PyTorch框架中实现,并在NVIDIA GeForce RTX 3090 GPU上训练通过结合Adam优化器[36]和余弦退火策略[37]来优化网络。在训练过程中,两个子网络首先分别进行训练,然后以端到端的方式进行微调对于Rain100L,对于预训练,学习率和epoch数分别设置为103和150,而对于微调,它们分别设置为105和80。对于Rain100H和Rain800中密度较大的雨,对于预训练,学习率和epoch数分别设置为104和100,而对于微调,它们分别设置为105和50所有上述学习率稳步下降到106。(Bt +1) (Bgt)二加二Bt +1Bgt二加二18虚拟现实智能硬件二月(2023)卷。5号1表1在三个公认的合成数据集上的PSNR和SSIM值的比较。最佳和次佳结果分别用黑体和下划线表示[9]第七届中国国际汽车工业展览会[7]英[35]4.4 对合成数据集不同方法在三个合成数据集上的定量比较见表1。与其他最先进的方法相比,所提出的URDRN在所有数据集上都具有显着的竞争力。为了直观地展示所提出的方法的性能,在图4中给出了使用各种方法在Rain100H的三个图像上获得的去噪结果。传统的DSC[2]方法几乎不能去除大雨图像中的雨条纹,且背景难以区分。DDN[5]、RESCAN[12]和PReNet[8]去除了大多数雨条纹;然而,DDN的结果经常显示大的模糊区域。RESCAN和PReNet也倾向于模糊图像细节。此外,它们都会产生某些视觉伪影,如图4中放大的图像所示。DRD[24]和我们的方法比其他方法更好地保留了图像的细节然而,使用我们的方法获得的deraining图像在细节保留和视觉质量方面优于使用DRD获得的图像。总之,我们提出的方法有效地消除雨条纹,同时获得更清晰的图像细节比使用其他方法获得的。4.5 真实世界图像在图1和图5中,我们将我们提出的方法的视觉质量与两种最先进的方法(即PReNet[8]和DRD[24])的视觉质量进行了比较。由于没有真实的降雨图像,因此只能通过主观视觉检查来评估雨水去除效果。从图5中的deraining结果可以看出,所提出的URDRN比PReNet和DRD产生的视觉质量更好。PReNet和DRD结果的放大图像仍然包含残留的雨滴;相比之下,使用URDRN,图像中的大多数雨滴被有效地去除。5 消融研究5.1 不同组件我们通过删除或替换拟议URDRN的四个关键组成部分来评估它们的影响。表2总结了这四种成分的消融研究:MD、CA、雨水注意(RA)和BDRN。除了客观指标的比较之外,我们还在图6中提供了一个直观的比较。为了简化,我们对Rain100L和Rain100H进行了烧蚀实验如表2所总结的,结合了MD和CA的URDRN实现了比数据集参数PSNRSSIMPSNRSSIMPSNRSSIMDSC[2]24.160.866315.660.544420.540.6521[4]第四章29.110.871714.260449827.090.7801DDN[5]0.058M33.500.944423.930.725125.220.8228ID-CGAN[7]8.47M23.390.827516.860.492123.810.8072RESCAN[12]0.15M37.810.977229.600.879326.090.8410JORDER-4.17M38.590.983430.500.896726.730.8572西班牙语[23]0.28M35.330.969425.110.833224.650.8501PReNet[8]0.17M37.420.978429.450.898026.300.8572DRD[24]39.320.983630.880.896427.230.8817美国[22]37.480.981529.980.902526.970.8935我们的2.15M39.000.983831.280.916727.550.893719Kailong LIN,et al.展开雨导细节恢复网络以实现单图像去噪(一)14.72/0.352 15.97/0.37224.05/0.71228.62 /0.855(a) 雨天图像(b)DSC(c)DDN(d)RESCAN(b)26.20/0.863(e) RReNet30.16/0.887(f) DRD31.39/0.928(g) 我们INF /1(h) 地面实况10.31/0.227 16.28 /0.49623.81 /0.6629.03 /0.787(a) 雨天图像(b)DSC(c)DDN(d)RESCAN28.33 /0.814(e) RReNet29.75/0.821(f) DRD29.83/0.842(g) 我们INF /1(h) 地面实况13.55/0.481 16.37/0.38918.70/0.66626.79 /0.886(a) 雨天图像(b)DSC(c)DDN(d)RESCAN28.33 /0.814(e) RReNet29.75/0.821(f) DRD29.83/0.842(g) 我们INF /1(h) 地面实况图4使用各种方法获得的去同步结果的视觉比较(a)来自Rain100H的图像和(b)来自Rain100H的两个图像。20虚拟现实智能硬件二月(2023)卷。5号1(a) Rainy Image(b)PReNet(c)DRD(d)Ours图5使用PReNet和DRD在三幅真实降雨图像上获得的去噪结果的视觉比较通过仅使用MD或CA的变体实现。此外,与URDRN的干净结果相比,上述变体的结果更容易产生残留的雨条纹和视觉伪影,如图6所示。此外,如表2中所列出的CAAN和MD + CA + BDRN的度量指示在第二阶段中直接应用BDRN而不使用RA可能损害网络性能。然而,引入RA映射作为线索显著提高了性能。21Kailong LIN,et al.展开雨导细节恢复网络以实现单图像去噪表2URDRN模型不同组件的消融分析Rain100L Rain100H方法MDCARABDRNPSNRSSIMPSNRSSIMCA + RA + BDRN√√√36.500.974321.330.7542MD + RA + BDRN√√√37.720.980129.710.8953MD + CA(CAAN)√√38.620.983130.650.9121MD + CA + BDRN√√√36.750.981230.070.9104URDRN√√√√39.000.983831.280.9167CA+RA+BDRN表示MD-CAB的MD被移除,仅留下CAB。MD+RA+BDRN表示MD-CAB的CA被移除。CAAN是提取雨水的第一个子网络MD+CA+BDRN表示雨提示被禁用。(a)雨象(b)CA+ RA + BDRN(c)MD+ RA + BDRN27.77/0.88235.85/0.97937.21/0.984(d) MD +CA +BDRN35.04/0.984(e) URDRN39.03/0.988(f) 地面实况Inf/1图6Rain100L图像上的变体网络的视觉比较请放大图像以便更好地观察。5.2 损失函数为了分析损失函数对脱轨性能的影响,我们对模型使用的损失函数进行了消融分析:负SSIM和沙博尼耶损失。Rain100H的比较结果总结见表3。6 结论表3不同损耗下URDRN模型的比较Rain100H上的功能损失函数L·西姆L字符+L边缘Lslim+L char+LedgePSNR30.7330.8831.29SSIM0.91020.91080.9167在这项研究中,我们开发了一个名为URDRN的网络来处理一个单一的图像deraining任务。URDRN分为两个子网络:雨水提取和细节恢复。雨水提取子网络是一个CAAN充分利用了全局空间上下文信息。此外,在第一子网络,用于引导所述细节恢复子网络。大量的实验表明,所提出的模型优于其他国家的最先进的方法在人工合成和真实的雨图像的主观视觉体验和客观评价指标。在未来,我们希望简化这两个子网络,提高训练效率.此外,我们打算对这两个子问题的迭代优化过程进行收敛性分析。22虚拟现实智能硬件二月(2023)卷。5号1竞合利益我们声明我们没有利益冲突引用1 姜立文,林春文,傅永华.通过图像分解自动去除基于单图像的雨条纹。IEEE图像处理学报,2012,21(4):1742DOI:10.1109/tip.2011.21790572 罗毅,徐毅,季华.基于判别稀疏编码的单幅图像雨滤除方法。2015年IEEE计算机视觉国际会议。圣地亚哥,智利,IEEE,2015,3397DOI:10.1109/iccv.2015.3883 顾世华,孟丹英,左文民,张良.用于单个图像层分离的联合卷积分析和合成稀疏表示。2017年IEEE计算机视觉国际会议威尼斯,意大利,IEEE,2017,1717DOI:10.1109/iccv.2017.1894 李英,谭荣泰,郭晓杰,陆建斌,布朗美斯。使用图层先验去除雨痕。2016年IEEE计算机视觉和模式识别会议。拉斯维加斯,NV,美国,IEEE,2016,2736DOI:10.1109/cvpr.2016.2995 傅晓阳,黄建斌,曾德良,黄勇,丁晓华,佩斯利,通过深度细节网络从单图像中去除雨水。2017年IEEE计算机视觉和模式识别会议。檀香山,HI,美国,IEEE,2017:1715DOI:10.1109/cvpr.2017.1866 作者:Zhang H,Patel V.使用多流密集网络的密度感知单图像去雨。2018年IEEE/CVF计算机视觉和模式识别会议。盐湖城,UT,美国,IEEE,2018,695DOI:10.1109/cvpr.2018.000797 张H,Sindagi V,Patel V M.使用条件生成对抗网络的图像去雨。IEEE视频技术电路与系统学报,2020,30(11):3943DOI:10.1109/tcsvt.2019.29204078 任德威,左文民,胡庆华,朱萍芳,孟丹英.渐进式图像去重网络:更好更简单的基线。2019年IEEE/ CVF计算机视觉和模式识别会议(CVPR)。Long Beach,CA,USA,IEEE,2019,3932DOI:10.1109/cvpr.2019.004069 杨文辉,谭荣泰,冯建生,刘继元,郭志民,严世昌。从单个图像中检测和去除深层联合降雨。2017年IEEE计算机视觉和模式识别会议。檀香山,HI,美国,IEEE,2017,1685DOI:10.1109/cvpr.2017.18310 陈志斌,林继祥,陈志凯,周伟.具有自监督约束的无监督单幅图像去噪。2019 IEEE International Conference on Image Processing(IEEE图像处理国际会议)中国台北,IEEE,2019,2761DOI:10.1109/2019.880323811 李仁泰,张丽芬,陈仁泰.大雨图像复原:整合物理模型与条件对抗学习。2019年IEEE/ CVF计算机视觉和模式识别会议(CVPR)。Long Beach,CA,USA,IEEE,2019,1633DOI:10.1109/cvpr.2019.0017312 李新,吴建良,林志春,刘华,查华斌。循环挤压-激发上下文聚合网络用于单幅图像去重。In:Computer Vision-ECCV2018.Cham:Springer International Publishing,2018,262DOI:10.1007/978-3-030-01234-2_1613 Garg K,Nayar S K.从视频中检测和去除雨水。2004年IEEE计算机协会计算机视觉和模式识别会议论文集,2004年。CVPR。美国华盛顿特区,IEEE,2004年DOI:10.1109/cvpr.2004.131507714 Kim J H,Sim J Y,Kim C S.使用时间相关与低秩矩阵完成的视讯去噪与去噪。IEEE图像处理学报,2015,24(9):2658DOI:10.1109/tip.2015.242893315 姜天新,黄天智,赵晓玲,邓立军,王永。一种基于张量的视频雨纹消除新方法。2017年IEEE计算机视觉和模式识别会议檀香山,HI,美国,IEEE,2017,2818DOI:10.1109/cvpr.2017.30116 陈永良,徐春堂。时空相关雨带的广义低秩出现模式。2013年IEEE计算机视觉国际会议。悉尼,新南威尔士州,澳大利亚,IEEE,2013,1968DOI:10.1109/iccv.2013.24717 朱良,傅春文,李辛斯基,衡鹏.用于单图像雨条纹去除的联合双层优化。2017年IEEE计算机视觉国际会议。威尼斯,意大利,IEEE,2017,2545DOI:10.1109/iccv.2017.27623Kailong LIN,et al.展开雨导细节恢复网络以实现单图像去噪18 郑晓华,廖永华,郭伟,付晓阳,丁晓华。基于单幅图像的多导滤波雨雪去除。在:神经信息处理。柏林,海德堡:施普林格柏林海德堡,2013年,258DOI:10.1007/978-3-642-42051-1_3319 张毅,严丽霞,钟松.用于线图案噪声去除的变换低秩模型。2017年IEEE计算机视觉国际会议。威尼斯,意大利,IEEE,2017,1735DOI:10.1109/iccv.2017.19120 Fu X , Liang B , Huang Y , Ding X , Paisley J. Lightweight pyramid networks for image deraining. IEEE Transactions onNeuralNetworksand Learning Systems,2020,31(6):1794DOI:10.1109/tnnls.2019.292648121 钱荣,谭荣泰,杨文华,苏建杰,刘建勇.用于从单个图像中去除雨滴的注意生成对抗网络。2018年IEEE/CVF计算机视觉和模式识别会议盐湖城,UT,美国,IEEE,2018,2482DOI:10.1109/cvpr.2018.0026322 柴刚,王正,郭刚,陈勇,金勇,王东,陆斌,任胜。增强的专注生成对抗网络用于单图像去重。IEEEAccess,2021,958390DOI:10.1109/access.2021.307312723 王天英,杨翔,徐凯,陈树忠,张强,刘荣文.高质量真实降雨数据集的空间关注单图像去噪。2019年IEEE/CVF计算机视觉和模式识别会议(CVPR)。Long Beach,CA,USA,IEEE,2019,1226224 邓S,魏明强,王建,冯永东,梁林明,谢宏荣,王芳,王明.通过上下文聚合网络的细节恢复图像去重。2020年IEEE/CVF计算机视觉和模式识别会议(CVPR)美国华盛顿州西雅图,IEEE,2020,14548- 14557DOI:10.1109/cvpr42600.2020.0145725 朱华华,王春,张永军,苏志新,赵国华.物理模型引导的深度图像去噪。2020 IEEE多媒体与博览会国际会议(ICME),2020,1DOI:10.1109/icme46284.2020.910287826 Yang W,Wang S,Xu D,Wang X,Liu J. Towards scale-free rain streak removal via self-supervised fractal band learning. AAAI人工智能会议论文集,2020,34(7):12629DOI:10.1609/aaai.v34i07.695427 姜克,王正英,易平,陈聪,黄宝军,罗永梅,马建英,姜俊杰。多尺度渐进式融合网络用于单幅图像去噪。2020年IEEE/CVF计算机视觉和模式识别会议(CVPR)美国华盛顿州西雅图,IEEE,2020,8343DOI:10.1109/cvpr42600.2020.0083728 杨勇,孙军,李华斌,徐振波。用于压缩感知MRI的深度ADMM-net。第30届神经信息处理系统国际会议论文集。New York:ACM,2016,1029 董伟,王平,尹伟,石刚,吴芳,陆新.去噪先验驱动的深度神经网络图像恢复。IEEE TransactionsonPatternAnalysis and MachineIntelligence,2019,41(10):2305DOI:10.1109/tpami.2018.287361030 张永林,李开平,李凯,王立昌,钟本南,付永。使用极深残余通道注意网络的图像超分辨率。In:Computer Vision-ECCV2018.Cham:Springer International Publishing,2018,294DOI:10.1007/978-3-030-01234-2_1831 [10]张文辉,张文辉.多阶段渐进图像恢复。2021 IEEE/CVF计算机视觉与模式识别会议(CVPR)美国田纳西州纳什维尔,IEEE,2021,14816DOI:10.1109/cvpr46437.2021.0145832 张克,左伟,陈艳,孟丹,张玲。Beyond a Gaussian denoiser:残差学习深度CNN图像去噪。IEEETransactionson ImageProcessing,2017,26(7):3142DOI:10.1109/tip.2017.266220633 Wang Z,Bovik A C,Sheikh H R,Simoncelli E P.图像质量评估:从错误可见性到结构相似性。IEEE图像处理学报,2004,13(4):600DOI:10.1109/tip.2003.81986134 放大图片作者:J. J.计算成像的两种确定性半二次正则化算法。第一届国际图像处理会议论文集Austin,TX,USA,IEEE,1994,168DOI:10.1109/10.1994.41355335 Yang W,Tan R T,Feng J,Guo Z,Yan S,Liu J. Joint rain detection and removal from a single image with contextualized deepnetworks. IEEETransactions on Pattern Analysis and MachineIntelligence,2020,42(6):1377DOI:10.1109/tpami.2019.289579336 作者:王文,王文.亚当:一种随机优化方法。2015年第三届学习表征国际会议(ICLR 2015- Conference Track Proceedings)37 Loshchilov I,Hutter F.Sgdr:带热重启的随机梯度下降ArXiv预印本,arXiv:1608.03983,2016
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
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
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