深度学习——DerainNet

原论文：Clearing the Skies: A Deep Network Architecture for Single-Image Rain Removal
1.主要工作：
文章提出了DerainNet深度学习去雨方法。DerainNet直接提供了含雨图像和无雨图像之间的非线性映射关系。去雨的同时，利用了图像增强去改善视觉效果。
该网络方案不是简单地增加网络复杂度来提升去雨的效果。而是利用图像处理领域的知识去修正目标函数，以提升去雨质量。计算资源消耗少，同时预测输出快。
由于无法获取真实世界雨图像的ground truth。文章利用人工合成图像去训练模型。数据集是人工合成的，因此模型训练用的数据集可以非常大。结果表明，训练出来的模型处理真实世界图像依然具有较好效果。

2.网络主体架构：

该网络方案的最大特色是：将输入的图像分为高频细节层（ high-frequency detail layer）和低频基础层（low-frequency base layer）。输入图像的细节层作为CNN网络的输入，完成图像去雨环节。输入图像的基础层用作图像增强，提供额外图像信息，使最终的输出图像具有更大的锐度。

设含雨图像为I，干净图像为J。则两者分别分解为I=