DesnowNet: Context-Aware Deep Network for Snow Removal论文阅读

1. 论文的研究目标与实际意义

1.1 研究目标

论文旨在解决单幅图像雪粒去除（Single Image Snow Removal）的复杂问题。与传统雨雾去除不同，雪粒（Snow Particles）具有多尺度、形状多样、半透明与不透明混合等特性。传统方法依赖手工设计的特征（如HOG、频率分离），而本文提出DesnowNet，通过多阶段深度网络分别处理半透明雪粒（Translucent Snow）和不透明雪粒（Opaque Snow），并结合颜色畸变图（Chromatic Aberration Map）和残差生成（Residual Generation）实现高精度去雪。

1.2 实际问题与产业意义

雪粒会严重降低图像可见性，影响自动驾驶、监控系统等计算机视觉应用的可靠性。例如，图1展示了Google Vision API对雪天图像（行人、车辆）的识别置信度显著下降：

高效去雪技术对以下领域至关重要：

• 智能交通：提升雪天环境下车辆感知能力；
• 安防监控：减少雪粒遮挡导致的误检漏检；
• 消费摄影：改善恶劣天气下的拍摄效果。

---

2. 论文的创新方法、模型与公式

2.1 DesnowNet的整体架构

DesnowNet由透射恢复模块（TR Module）和残差生成模块（RG Module）组成，其核心架构如图2所示：

2.1.1 图像建模与核心公式

输入雪图$x$可分解为：
$$x=a\odot z+y\odot (1-z)(1)$$
其中：

• $y$为无雪图像（目标输出），
• $z$为雪掩膜（Snow Mask）表示雪粒的透射率，
• $a$为颜色畸变图描述雪粒引起的颜色偏移，
• $\odot$为逐元素乘法。

通过估计$\hat{z}$和$a$，恢复无雪图像$\hat{y}$的公式为：
$$\hat{y}=y^{\prime }+r(2)$$
其中$y^{\prime }$由TR模块生成，$r$由RG模块生成。

---

2.1.2 透射恢复模块（TR Module）

TR模块通过多尺度特征提取和金字塔最大输出（Pyramid Maxout）估计雪掩膜$\hat{z}$和颜色畸变图$a$：

1. 多尺度特征提取：采用改进的Inception-v4作为骨干网络，结合空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）增强多尺度建模能力：
   $$f_t=\Vert {}_{n=0}^{\gamma }{B}_{2^n}$$