这篇是假期很久之前看的，那段时间没有整理笔记，最近看的一篇论文中有提到这个，再回头整理一下。
2019 ICCV：ERL-Net
这篇文章是2019年ICCV的一篇文章，主要提出了一种缠结表示学习的方法结合编解码结构，完成单幅图像的去雨。这篇文章与2018ACMMM的一篇编解码结构的网络有相似之处，应该放到一起整理。
文章首先指出了当前编解码网络得到的结果因为缺少细节而存在的不足。将解码器网络解释为条件发生器，解码器在其中充当条件发生器，条件发生器取决于编码器学习的嵌入，输出结果不理想的原因可能是编码器学习的嵌入质量不高。
本文中则是假设存在一种从低质量到嵌入到潜在最优嵌入的内在映射，译码器可以利用这种映射产生更好的结果。提出了构造一个残差学习分支来学习该映射，能以缠结表示的方式自适应地添加残差到原始的低质量嵌入中，这样就能使细节恢复更好。
主要思想阐释：
基本思想：
文中花费很大笔墨阐述的缠结表示学习，其实就是一种将残差编码分支学习到的细节以及其他属性叠加到原本的编解码网络上，只是说的比较高级罢了。
从后面的网络结构便可以很清晰地看出，整体网络结构就是一个带有跳跃连接的U-Net编解码结构，然后添加了一个残差编码结构，将残差添加到基本输入中，使经过校正后的映射表现出更完整的属性，包括雨不变量和其他要素(如纹理和颜色)。
缠结表示学习机制：
这是一个双分支的编码器。
其中，MEN代表主编码器，MDE代表主解码器，
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
