Unsicherheitsgeführtes Mehrskalen-Residuenlernen mit einem Cycle-Spinning-CNN für die Entfernung von Regen aus einzelnen Bildern

Die Entfernung von Regen aus einem einzelnen Bild ist ein äußerst herausforderndes Problem, da das regenvernebelte Bild Regenspuren enthalten kann, die in Größe, Richtung und Dichte variieren. Frühere Ansätze haben versucht, dieses Problem durch die Nutzung von Vorwissen zur Entfernung der Regenspuren aus einem einzelnen Bild zu lösen. Eine der Hauptbegrenzungen dieser Ansätze besteht darin, dass sie Informationen über den Standort der Regentropfen im Bild nicht berücksichtigen. Das vorgeschlagene Netzwerk für Unsicherheitsgeleitetes Mehrskaliges Residuallernen (UMRL) versucht, dieses Problem zu bewältigen, indem es den Regeninhalt auf verschiedenen Skalen lernt und diese Informationen verwendet, um das endgültige regenfreie Ausgabebild zu schätzen. Zudem führen wir eine Technik ein, die das Netzwerk anleitet, seine Gewichte basierend auf einem Vertrauensmaß für die Schätzung zu lernen. Des Weiteren stellen wir ein neues Trainings- und Testverfahren vor, das auf dem Konzept des Zyklusdrehens basiert und die endgültige Leistung bei der Entfernung von Regen verbessern soll. Umfangreiche Experimente mit synthetischen und realen Datensätzen zeigen, dass die vorgeschlagene Methode erhebliche Verbesserungen gegenüber aktuellen Stand der Technik-Methoden erreicht. Der Quellcode ist unter folgendem Link verfügbar: https://github.com/rajeevyasarla/UMRL--using-Cycle-Spinning