论文阅读：Image De-raining Using a Conditional Generative Adversarial Network

arXiv2017/2019 TCSVT： ID-CGAN

本篇文章是2017年提出的一种基于cGAN网络的一种新的去雨网络。主要是试图使用具有强大的生成建模能力的条件GAN网络加上一个强制约束，即去雨图像必须与相应的背景图像不可区分。同时GAN网络的对抗损失提供了额外的正则化。同时，还提出了一种新的细化损失函数，旨在减少GAN网络引入的伪影。生成器子网络使用了密集连接网络，判别器则是利用全局和局部信息来判断图像是真是假。

创新之处：
1、提出了一种基于cGAN网络的框架用于处理单幅图像去雨问题，同时不需要任何后续处理。
2、提出了一个密集连接的生成器子网络。
3、提出了一种多尺度鉴别器，利用局部信息和全局信息来判断去雨图像的真伪。

对前人工作改进：

现有的基于CNN 的方法只最小化L2误差，但由于问题的病态性质，这些方法需要额外的正则化。
来自CGANs的对抗损失被用作额外的正则化器，并且使用鉴别器对真实/虚假样本进行分类提供了额外的反馈。
ID-CGAN主要由两个子网络组成：密集连接的生成器和多尺度的判别器。
判别器主要通过多尺度池来捕获上下文信息。
同时在GAN网络训练时会引入伪影，这里引入一个改进的感知损失作为额外的损失函数来去