自适应卷积的残差修正单幅图像去雨
目的 雨天户外采集的图像常常因为雨线覆盖图像信息产生色变和模糊现象.为了提高雨天图像的质量,本文提出一种基于自适应选择卷积网络深度学习的单幅图像去雨算法.方法 针对雨图中背景误判和雨痕残留问题,加入网络训练的雨线修正系数(refine factor,RF),改进现有雨图模型,更精确地描述雨图中各像素受到雨线的影响.构建选择卷积网络(selective kernel network,SK Net),自适应地选择不同卷积核对应维度的信息,进一步学习、融合不同卷积核的信息,提高网络的表达力,最后构建包含SK Net、refine factor net和residual net子网络的自适应卷积残差修正网络(selective kernel convolution using a residual refine factor,SKRF),直接学习雨线图和残差修正系数(RF),减少映射区间,减少背景误判.结果 实验通过设计的SKRF网络,在公开的Rain12测试集上进行去雨实验,取得了比现有方法更高的精确度,峰值信噪比(peak signal to noise ratio,PSNR)达到34.62 dB,结构相似性(structural similarity,SSIM)达到0.970 6.表明SKRF网络对单幅图像去雨效果有明显优势.结论 单幅图像去雨SKRF算法为雨图模型中的雨线图提供一个额外的修正残差系数,以降低学习映射区间,自适应选择卷积网络模型提升雨图模型的表达力和兼容性.
单幅图像去雨、深度学习、选择卷积网络、修正系数、残差学习
25
TP391.41(计算技术、计算机技术)
国家自然科学基金项目;广东省基础与应用基础研究基金项目
2021-02-04(万方平台首次上网日期,不代表论文的发表时间)
共10页
2484-2493