SIRR训练集整理

1、ERRnet：
PASCAL VOC数据集
7643张裁剪成224*224大小
90张真实图像数据 Zhang et al

60个epoch 0-30:10e-4 30-50：5*10e-5 50-60:10e-5

2、IBCLN:
4000张图片：2800合成 猜测：只有700张
1200真实 256*256 290张真实数据：
200：Natural
90:Zhang et al

3、RenderingCVPR2020

RGBD数据集和PLACES365 RGB数据集：
以一个前场景和一个后场景作为场景设置，提取有深度场景的三维模型，然后通过路径跟踪进行渲染，合成一组有反射和没有反射的图像进行训练;对于RGB数据集，我们采用深度估计[4]提取场景的三维模型。

RGBD数据集：3000个图像对=6000
PLACES365数据集：2000对 =4000

4、BDN

PASCAL VOC合成数据

5、Zhang et al
5000对图像 一张室内 一张室外 Flicker数据集 Fan的方法
90张真实数据 用来测试

6、RMnet
Syn：256256的两组图片进行合成
Removal:256256加上W进行训练

7、CRRN
PASCAL VOC 提供B
RID（拍摄得到的反射层）
二者叠加

训练：
GiN 0-40 10e-4
训练40epoch后，和IiN同时训练
0-50 10e-4
51-80 10e-5 loss SSIM损失

8、CoRRN

I = αB+βR

将SIRR数据集resize，估计是网络太大了，无法测试，真他吗聪明

9、ICCV2019 RenJie Wan

4027张未对齐的数据

10、Polarized Reflection Removal with Perfect Alignment in the Wild CVPR2020
数据集：偏振图像 每一个像素对应4个偏振角的入射光线
只采集M 和 R T = M-R

11、Gradient Constrain GAN ACCESS
数据集：
PASCAL 数据集 不要其中的灰和白图像，影响训练
双三次插值得到256*256的图像