论文阅读：Residual-Guide Network for Single Image Deraining

又是一篇基于残差学习的论文，出自厦大丁兴浩老师团队。也是较早之前看的，回过头再看一遍。

2018 ACMMM： ResGuideNet

本文主要提出了一种残差指导特征融合网络ResGuideNet，利用较浅模块生成的残差来指导更深的模块，最终对不同模块的输出进行特征融合，完成单幅图像的去雨。

具体地讲，ResGuideNet主要是提出了一种级联网络，使用较浅模块生成的残差来指导较深模块，据此可以随着模块深度的增加能够得到负残差的由粗到细的一个估计。同时不同模块的输出融合到最终的重建模块。采用了递归卷积来构建每个模块，并对所有中间结果进行监督。这样在减少了参数的同时也实现了良好的性能。

主要思想阐述：

现有方法存在问题：

1、现有方法的雨纹去除模型大多数在单一模型中学习负残差，这些模型需要使用大量的参数进行精心设计来捕捉雨纹的不同模式。
2、大多数使用欧氏距离进行优化的方法会产生模糊的预测，因为每像素的损失不像人类视觉感知那样接近输出图像和GT图像之间的感知差异。
3、资源匮乏的模型无法满足去雨任务的各种需求，复杂雨图无法通过简单的模型完成处理。

本文主要思想：

1、每个模块都包含了一个全局捷径(global shortcut)来预测残差。
2、将预测的残差从较浅的块连接到较深的块，较浅的残差可以指导更深的预测，以生成更细化估计。
3、对所有中间输出都进行了监督，使得随着模块的加深，能够得到一个由粗到细的残差。
4、基本的去雨模块基于带有完备捷径策略的递归计算，减少网络参数的同时保持了良好的性能。

主要创新之处：

1、建立了