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: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。
[3] Xueyang Fu,Jiabin Huang,Delu Zeng,Y ue Huang,Xinghao Ding and John Paisley.Removing rain from single images via a deep detail network.In CVPR, pages 1715-1723,2017.
摘要[论文大总结]:在通过改变映射形式来简化学习过程的深度残差网络的基础上,减少了输入到输出的映射范围,提出了一种深度细节网络[1],进一步简化了学习过程;训练时通过关注高频细节来使用先验图像域[2]知识,消除背景干扰,模型更加聚焦于雨结构,可以进一步提高去雨效果;虽然网络在合成数据上训练,但是可以很好应用到真实世界的测试图像,且效果较好。
深度细节网络[1]:是一种基于深度学习的图像处理算法,旨在通过增强图像的细节信息来改进图像的质量。该算法通过将图像拆分为多个尺度和方向的小块,并通过网络进行处理和重新组合,从而提高图像的质量。
深度细节网络利用神经网络的非线性特性来增强图像的细节信息。通过在训练过程中学习图像的特征,该算法可以自动学习如何增强图像的细节,从而在各种图像增强任务中表现出色。
先验图像域[2]:指在图像重建或图像处理任务中,使用一个或多个先验图像来提供关于待重建或待处理图像的先验知识或信息的领域。这种方法的基本思想是,在缺乏足够信息的情况下,通过使用已知的类似图像或模型来指导重建或处理过程,以提高重建或处理的质量和准确性。
Intro:为了解决物体的结构和方向和雨纹相似时,难以去除雨水的问题,开发了一个端到端的深度网络;利用先验知识,使用图像细节层作为输入,ResNet[3]作为参数层,可以消除背景干扰,提高除雨质量;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。
ResNet[3]:残差网络,在传统的神经网络中,信息通过一层层的变换进行传递,当网络层数增加时,信息容易出现损失或扭曲,这会导致训练时梯度消失或梯度爆炸问题。ResNet通过引入“残差块”(residual block)的方式解决了这个问题,让信息在网络中传递更加顺畅。在残差块中,输入数据会和经过一些卷积、激活等操作的输出数据相加,然后再通过一些非线性变换进行传递,这样就能够保证信息的完整性。
细节:框架:细节层为输入,负残差为输出
使用带有负映射的ResNet[4]来更好区分雨纹与背景
带有负映射的ResNet[4]:
带有负映射的ResNet是对标准ResNet的改进,它在残差块中引入了负映射(Negative Mapping)的概念。负映射可以理解为一种抑制机制,它会对输入信号的某些维度进行抑制,以增强网络的表征能力。
在标准的ResNet中,残差块的输入和输出是相加,这种线性结构无法对输入进行有效的抑制。而引入负映射后,残差块的输出会和输入先分别经过两个分支,然后再进行相加,其中负映射分支会对输入进行抑制。这样可以有效地提高网络的表征能力,增强其在复杂任务上的性能。