Proposed Semi-DerainGAN
Semi-DerianGAN的框架包括两个过程,即无监督和监督过程,有监督的使用人工合成的图片训练最小化损失函数,无监督学习使用真实图片,训练最小化损失函数,半监督SSRML在这两个过程中均发挥作用,从真实图片集和合成数据集学习雨痕信息。此外对于真实图像的数据集而言,即无监督学习中,Xr是没有ground truth的,于是乎,从人造的数据集中取出ys作为ground truth。
Semi-supervised Rain Mask Learner (SSRML)
原来的RML是作用于有监督模型中的,其结构有LSTM units和five Conv-Relu-Conv-Relu units,但是由于训练样本很难成对,所以在此基础之上设计了semi-supervised
rain mask learner (SSRML)。可以从真实图片和合成图片中提取雨痕信息,实际结果证明,SSRML在真实图片单图像去雨问题表现优异。方程如下:
ms, mr分别表示从合成图提取的rain mask 和从真实图像提取的rain mask。
Generators in Synthetic and Real Image Domains
一共有三个生成器,Gs,Gr和Gr’。 Gs,Gr是分别用来生成合成数据集和真实数据集的去雨图像的,这之中还用了U-net。(为了保证轮廓大致相同)
ys解释为,rainy image Xs剔除了ms(rain mask)后的图像,yr就是从真实数据集中获得的图像。
在Gr’这个生成器中还添加了CycleGAN,因为这是一个无监督的过程,利用SSRML和U-net重构雨图xr。
Discriminators in Synthetic and Real Image Domains
引入三个判别器,Ds,Dr和Dp,Ds和Dr应用的是多尺度的判别器,每一个尺度的特征图会经过五个卷积层最后喂入sigmoid函数输出。一共设置了三个尺度。
Dp是使用成对的去雨图像以及含雨图,为了使得最后生成的图像更加的真实。
损失函数,要求最小:
Ladv-super=Ladv-pair+Ladv-unsup
Supervised Process
Semi-DerainGAN包含的两个过程,有监督和无监督,且同时进行。利用合成图像学习网络的参数,也就是SSRML, Gs, Ds和Dp。
Lper-super是去雨图像和标签图之间的损失函数,∂表示用VGG-16从卷积2,3层提取出来的特征,确保训练正确。Lssim是使得两张图片之间的结构相似,由SSIM测量系统可得相似度的测量可由三种对比模块组成,分别为:亮度,对比度,结构。λ是权衡参数。
为了使ssim最大,即尽可能相似,但是又要保证损失最小,所以ssim前面有一个负号。
Unsupervised Process
无监督过程用的是真实的图片学习参数,也就是学习SSRML, Gr, Gr’ 和Dr
Lcc确保去雨图片和原含雨图片的差别不大,Ltv使得产生的去雨图片更加的真实。
Objective Function
还是小白,有错误的话,还希望大家指出