Progressive Image Deraining Networks: Eine bessere und einfachere Baseline

Zusammen mit der Verbesserung der Regenentfernung durch tiefere Netze werden deren Strukturen und Lernprozesse zunehmend komplexer und vielfältiger, was die Analyse des Einflusses verschiedener Netzmodule bei der Entwicklung neuer Regenentfernungsnetzwerke erschwert. Um dieses Problem zu lösen, bietet dieser Artikel ein besseres und einfacheres Baseline-Netzwerk für Regenentfernung, indem es Netzarchitektur, Eingabe und Ausgabe sowie Verlustfunktionen berücksichtigt. Insbesondere wird durch wiederholtes Entfalten eines flachen ResNet das progressive ResNet (PRN) vorgeschlagen, um den Vorteil rekursiver Berechnungen zu nutzen. Eine rekurrente Schicht wird ferner eingeführt, um die Abhängigkeiten tiefer Merkmale über verschiedene Stufen auszunutzen, wodurch unser progressives rekurrentes Netzwerk (PReNet) entsteht. Darüber hinaus kann die rekursive Berechnung innerhalb einer Stufe im ResNet sowohl in PRN als auch in PReNet angewendet werden, um die Anzahl der Netzparameter erheblich zu reduzieren, wobei eine geringfügige Verschlechterung der Regenentfernungslistung akzeptabel ist. Für die Netzwerkeingabe und -ausgabe verwenden wir sowohl das stufenweise Ergebnis als auch das ursprüngliche regennasse Bild als Eingabe für jedes ResNet und geben schließlich die Vorhersage des {Residualbilds} aus. Was die Verlustfunktionen betrifft, sind einzelne MSE- oder negative SSIM-Verluste ausreichend, um PRN und PReNet zu trainieren. Experimente zeigen, dass PRN und PReNet sowohl auf synthetischen als auch auf realen regennassen Bildern gute Leistungen erzielen. Angesichts seiner Einfachheit, Effizienz und Wirksamkeit werden unsere Modelle als geeignete Baseline für zukünftige Forschungen zur Regenentfernung erwartet. Die Quellcodes sind unter https://github.com/csdwren/PReNet verfügbar.