论文阅读：Deep Joint Rain Detection and Removal from a Single Image

2017 CVPR：JORDER

JORDER： JOint Rain DEtection and Removal

文章主要提出了一种多任务的联合检测和去除的去雨网络。
创新之处：
1、对雨的建模进行改进，增添了一个二值映射，形成了一个区域依赖的雨模型用于提供雨纹位置。同时还对大雨情况下因为雨纹的累积以及不同形状和方向雨纹的重叠形成的大气面纱进行了建模。使得建模更贴近于真实。
2、方法联合了单幅图像中的雨纹检测以及去除。
3、使用了上下文扩张网络来扩大感受野接受更多的上下文同时保存更丰富的局部细节。
4、引入了循环检测和去除网络来解决大雨问题。

前人工作

去雨工作有基于视频序列的雨图复原及单幅图像的去雨。
单幅图像的去雨工作是看作是信号分解问题或是使用非局部均值平滑进行解决。
将单幅图像的去雨工作看作是一个分层问题。
Huang 从高频层中分离雨纹通过稀疏编码，从HOG特征算子进行一个字典学习。
形态学成分分析、层分离、字典学习是有局限的，会导致背景图像的过度平滑。
然后提出了一个低秩模型，雨纹层被看做是低秩的。
Kim在一个非局部均值滤波器上完成了雨纹的检测和去除。
Luo提出了一种判别稀疏编码。
后来还提出了一种高斯混合模型GMM的去雨方法。

基于深度学习的去雨方法也在不断的发展。

局限：
1、由于雨纹和背景纹理图案的固有重叠，许多方法去除雨纹导致了区域的过度平滑。
2、雨图的退化较为复杂ÿ