论文阅读：Density-aware Single Image De-raining using a Multi-stream Dense Network

最新推荐文章于 2024-05-28 09:59:35 发布

原创

最新推荐文章于 2024-05-28 09:59:35 发布 · 3k 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #神经网络 #人工智能 #机器学习

2018 CVPR : DID-MDN

本篇文章是2018年CVPR的一篇文章，也比较出名，很多文章都会进行对比，主要提出了一种基于密度感知的多流密集网络完成单幅图像去雨。
在这里插入图片描述
DID-MDN：a density-aware multi-stream densely connected convolutional neural network . 用于联合雨的密度估计和去雨。
该方法使网络本身能够自动确定雨密度信息，并根据估计的雨密度标签有效地去除相应的雨条纹。
利用不同尺度特征的多流密集连接的去雨网络用于更好地描述不同尺度和形状的雨纹。
同时创建了一个新的带有雨密度标签的图像数据集。

残差感知分类器------>估计出雨密度级别------>输入到多流密集连接网络
两个主要阶段:雨密度分类和雨条纹去除。
残差感知分类器利用雨图中的残差分量进行密度分类来准确估计雨密度水平（大，中，小）。
将估计得到的雨密度信息融合到最终的多流密集连接网络，该网络考虑雨纹的尺度和形状信息，然后完成雨纹去除。

创新之处：

1、提出了一种新的DID-MDN方法，该方法能够自动确定雨密度信息，并根据估计的雨密度标签有效地去除相应的雨条纹。
2、观察到残差可以作为一种更好地表征雨密度信息的特征表示，提出了一种基于残差感知的分类器，用于有效地确定给定雨图像的密度级别。
3、同时合成了一个新的包含雨密度标签信息合成数据集，该数据集由12,000张带有雨密度标签的训练图像和1,200张测试图像组成。