Dichte-bewusstes Entfernen von Regen aus einem einzelnen Bild mittels eines mehrströmmigen dichten Netzes

Die Entfernung von Regenstreifen aus einzelnen Bildern ist ein äußerst anspruchsvolles Problem aufgrund der Nicht-Uniformität der Regendichten in Bildern. Wir präsentieren einen neuen, dichte-bewussten, mehrströmen, dicht verbundenen konvolutionellen neuronalen Netzwerk-basierten Algorithmus, genannt DID-MDN (Density-aware Multi-Stream Densely Connected Network), für die gemeinsame Schätzung der Regendichte und die Entfernung von Regenstreifen. Das vorgeschlagene Verfahren ermöglicht es dem Netzwerk selbständig, die Informationen zur Regendichte zu bestimmen und anschließend die entsprechenden Regenstreifen unter Leitung des geschätzten Regendichtetags effizient zu entfernen. Um Regenstreifen mit unterschiedlichen Größen und Formen besser zu charakterisieren, wird ein mehrströmes, dicht verbundenes Entfernungssystem für Regenstreifen vorgeschlagen, das Merkmale verschiedener Skalen effizient nutzt. Darüber hinaus wurde ein neuer Datensatz erstellt, der Bilder mit Regendichtetags enthält und zum Training des vorgeschlagenen dichte-bewussten Netzwerks verwendet wird. Ausführliche Experimente an synthetischen und realen Datensätzen zeigen, dass das vorgeschlagene Verfahren erhebliche Verbesserungen gegenüber den jüngsten Stand-der-Technik-Methoden erreicht. Zudem wurde eine Ablationsstudie durchgeführt, um die Verbesserungen zu demonstrieren, die durch verschiedene Module im vorgeschlagenen Verfahren erzielt wurden. Der Quellcode kann unter folgendem Link gefunden werden: https://github.com/hezhangsprinter