摘要
单图像去雨是一项极具挑战性的任务，因为雨天图像中可能包含大小、方向和密度各异的雨丝。以往的方法尝试通过利用某些先验信息来从单幅图像中去除雨丝。然而，这些方法的一个主要局限在于它们没有考虑图像中雨滴的位置信息。本文提出的不确定性引导多尺度残差学习（UMRL）网络旨在通过在不同尺度上学习雨的内容并利用这些内容来估计最终的去雨输出，从而解决这一问题。此外，我们引入了一种基于估计置信度来指导网络学习权重的技术。进一步地，我们基于循环旋转的概念提出了一种新的训练和测试流程，以提高最终的去雨性能。我们在合成数据集和真实数据集上进行了大量实验，结果表明所提出的方法相比近期最先进的方法取得了显著的改进。代码可从以下链接获取：https://github.com/rajeevyasarla/UMRL--using-Cycle-Spinning