论文简读：Residual-Guide Network for Single Image Deraining

首要目的：看懂论文引出了什么模型或架构，这些模块的作用，以及达到了的效果

目的-方法-结果-结论

总结：Fan等人提出了一种单一且可分离的残差引导特征融合网络（ResGuideNet）用于单图像除雨，针对现有模型对于图像处理的资源与参数浪费现象进行改进，针对图像的复杂程度选择对应复杂程度的模型，提高平均重建质量。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。
[1] Zhiwen Fan,Huafeng Wu,Xueyang Fu,Yue Huang,Xinghao Ding.Residual-Guide Network for Single Image Deraining.In ACM MM.2018

---

摘要[论文大总结]：本文提出了一种新的残差引导特征融合网络[1] ，称为 ResGuideNet，采用较浅块的残差引导较深块的残差，（块由递归卷积构建），通过级联网络[2]，可以得到由粗到精的负残差估计[3]；用于单幅图像去雨，它可以逐步预测高质量的重建[4]，同用比以前的方法更少的参数。

---

[1]残差引导特征融合网络（Residual Guided Feature Fusion Network）是一种用于图像分类任务的深度神经网络模型。该模型的主要特点是利用残差连接和特征融合来提高图像分类性能。

在残差连接中，网络中的每个卷积层输出被加上其输入的残差，使得网络可以更容易地学习到输入和输出之间的差异。这种技术在训练非常深的网络时特别有用，因为它可以避免梯度消失和梯度爆炸的问题。

在特征融合中，网络将来自不同分辨率的特征图融合在一起，以提高分类性能。残差引导特征融合网络通过将残差信息传递到低分辨率的特征图，从而提高了特征融合的效果。具体来说，它将高分辨率特征图与低分辨率特征图进行融合，并在每个融合层中引入残差连接，以确保融合过程不会导致信息损失。

在计算机视觉中，特征融合网络通常用于图像识别、目标检测和图像分割等任务中。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。

[2]级联网络：级联网络是指将多个神经网络按顺序连接在一起，形成一个整体网络的方法。在级联网络中，数据从第一个网络传递到下一个网络，然后再传递到下一个网络，直到最后一个网络输出结果。

在级联网络中，每个网络负责处理一部分复杂的任务，而整体网络则通过这些子任务的协同完成更为复杂的任务。因此，级联网络的层次结构可以提高网络的表现力和泛化能力。

级联网络的一个重要应用是对多尺度信息的处理。在这种情况下，不同尺度的信息通过不同的网络层进行处理，然后级联在一起，形成一个综合的特征表示。这种方法可以帮助网络更好地理解多尺度信息的特征，并且在图像、语音等领域得到了广泛应用。

[3]负残差估计：指一种用于回归问题的统计方法，它基于残差（指每个观测值的真实值与其对应的回归预测值之间的差异），用于识别数据中潜在的异常点或离群点。

具体而言，负残差估计是一种基于最小二乘法的非参数回归方法。它的思想是对数据进行两次回归，第一次是正常的最小二乘回归，第二次是将残差乘以-1后再进行最小二乘回归。这样得到的残差被称为负残差，它可以用于识别异常点，因为如果某个数据点远离其他数据点，那么它的负残差很可能是正的。

[4]重建：指使用已有的图像或视频数据，通过对这些数据的处理和分析，重建出对应的三维场景或物体模型。这个过程也被称为3D重建或视觉重建。

---

Intro：（1）现有大多数除雨算法在控制良好的情况下进行训练，没有在不同的雨规模下应对应不同的模型，资源浪费（存在资源浪费）；（2）现有模型都在单个模型中学习负残差，且必须使用精心设计的参数来捕捉雨纹；（3）现有大多数模型使用了欧几里得距离[5]的方法，都不可避免产生模糊的预测。

        本文提出的模型每一块都可以预测残差，并在提高重建质量上做出改进：将预测的残差从较浅的块连接到较深的块，让较浅的残差引导出更深的预测，从而生成更精细的估计，避免丢失有价值的中间重建特征。

        在此过程中，本文对所有的中间输出进行监督，在随着块由浅到深的输出过程中，可以得到由粗到精的雨痕残差。

        基本的雨纹去除块是基于递归计算的，最终图像由合并所有中间重建的输出获得。

针对以上现有模型的不足：

【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。

---

[5]欧几里得距离：是一种用于度量向量之间距离的方法，它是欧几里得空间中两点之间的直线距离。在二维欧几里得空间中，给定两个点P(x1, y1)和Q(x2, y2)，它们之间的欧几里得距离为：

d(P,Q) = sqrt((x1 - x2)² + (y1 - y2)²)，欧几里得距离方法在机器学习和数据挖掘中被广泛应用，例如在聚类、分类、回归等算法中。它通常用于度量向量之间的相似性或距离，其中距离越小表示两个向量越相似。

---

Motivation：雨痕总是与背景纹理重叠，现有方法大多使用大量参数、复杂模型来学习负残差，限制了实际应用，不够灵活。

本文的方法，重建效果更好，针对图像的复杂程度选择模型的复杂程度，提高平均重建质量。