论文阅读：Multi-Scale Progressive Fusion Network for Single Image Deraining

最新推荐文章于 2024-06-11 09:39:25 发布

行走的歌

最新推荐文章于 2024-06-11 09:39:25 发布

阅读量6.1k

点赞数 4

CC 4.0 BY-SA版权

分类专栏：文献阅读图像处理文章标签：计算机视觉机器学习深度学习人工智能图像去雨

本文链接：https://blog.youkuaiyun.com/wang_chaochen/article/details/107170648

本文提出了一种名为MSPFN的多尺度渐进融合网络，用于图像去雨任务。该网络利用金字塔结构和信道注意力机制，从多尺度角度协同表示雨纹信息。通过递归计算和残差学习，网络能捕捉到雨纹的全局纹理信息，同时通过粗融合和细融合模块逐步融合特征。在损失函数上，采用了Charbonnier罚函数以避免过度平滑。此外，网络还在去雨任务的检测和分割评估中表现出色。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

坐得住凳子。

2020CVPR：MSPFN

这篇文章是2020CVPR的一篇文章，作者来自武汉大学。文章主要结合金字塔结构、信道注意力机制进而协同地表示出多尺度的雨纹信息，提出了一种MSPFN网络。

代码：戳我
在这里插入图片描述
本文主要提出了一种多尺度渐进融合网络(MSPFN)。
对于雨的成像原理，由于雨和相机之间的距离不同，导致图片中的雨水会呈现出不同的模糊度和分辨率，因此可以利用多分辨率和多尺度之间的互补信息来表示雨纹。本文主要提出了一个框架从输入图像尺度和层次深度特征的角度，探讨了雨纹的多尺度协同表示，进而完成去雨。
对于不同位置的相似雨纹，采用了递归计算来获取全局纹理，从而探索空间维度上的互补和冗余信息来表征目标雨纹。此外，还构建了多尺度的金字塔结构，并进一步引入了注意机制来指导不同尺度的相关信息的精细融合。
多尺度渐进融合策略提高协同表示并促进端到端训练。

主要创新之处：

1、基于雨纹的相关性，通过挖掘不同尺度雨纹之间的互补信息，包括相似的外观组
成等，并通过循环计算，对雨纹分布进行更好的建模。
2、通过三个不同的模块CFM+FFM+RM，结合金字塔结构、信道注意力机制进而协
同地表示多尺度的雨纹信息，提出了MSPFN网络。
3、将去雨方法用于检测、分割进行全面的评估。