- 博客(5)
- 收藏
- 关注
RSS订阅原创 论文简读：Removing rain from single images via a deep detail network
总结：Fu等人提出了一种端到端的深度细节网络架构，使用合成的雨天数据进行训练，将模型集中在图像的雨水结构上，解决了物体的结构和方向与雨纹相似的问题；直接减少了输入到输出的映射范围，通过关注高频细节（使用带有负映射的ResNet结构，更好区分雨纹与背景）来使用先验图像域知识，令图像细节层作为输入，对负残差信息进行回归，让负残差信息作为输出，从而获得消除背景干扰的效果，进一步提高了去雨效果，且对于现实世界的测试数据，效果也很好。使用大量的合成数据集对模型进行训练，而且对于真实世界的图像也有很好的效果。
2023-03-24 08:58:41
169
原创 论文简读：Semi-supervised Transfer Learning for Image Rain Removal
针对此问题，本文提出半监督迁移方法将无监督的真实雨天图像送入网络训练，将输入与输出（无雨的清晰图像）的残差设定为特定的参数化的雨纹分布，使用期望最大化算法与梯度下降策略，通过迁移监督合成的雨水，来适应真实无监督的雨水类型，以缓解训练样本不足与监督样本偏差带来的问题和传统深度学习方法存在的难以收集训练样本与过度拟合训练样本的问题，最终结果在数学上合理，且在合成数据与真实数据上都得到了验证。迁移学习的思想是，当我们在一个领域中已经学习到了一些有用的知识时，我们可以将这些知识应用到另一个领域中来提高模型的性能。
2023-03-23 22:47:21
216
原创 论文简读：Residual-Guide Network for Single Image Deraining
通过使用级联网络将模型分块，将预测的残差从较浅的块连接到较深的块，通过递归计算，生成由粗到精的估计，逐步预测高质量的重建，合并所有中间重建输出形成最终结果。在这些任务中，通常会将不同层次的特征信息结合起来，比如将浅层和深层卷积层的特征融合在一起，或者将不同尺度的特征图融合在一起，以提高模型的准确性和鲁棒性。【改进】本文构建了一个单一且可分离的网络，可以处理不同的雨天条件，针对低级视觉任务也可使用，通过由浅块到深块的引导可以获得对负雨痕残差的由粗略到精细的估计，结合所有的中间结果以获得最终结果。
2023-03-22 22:54:07
140
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人