Réseaux de Dépluie d'Images Progressifs : Une Base de Comparaison Meilleure et Plus Simple

Avec l'amélioration des performances de dépluie des réseaux profonds, leurs structures et leur apprentissage deviennent de plus en plus complexes et diversifiés, ce qui rend difficile l'analyse de la contribution des différents modules du réseau lors du développement de nouveaux réseaux de dépluie. Pour résoudre ce problème, cet article propose un meilleur et plus simple réseau de base pour la dépluie en tenant compte de l'architecture du réseau, des entrées et sorties, ainsi que des fonctions de perte. Plus précisément, en déroulant répétitivement un ResNet peu profond, un ResNet progressif (PRN) est proposé pour tirer parti du calcul récursif. Une couche récurrente est ensuite introduite pour exploiter les dépendances des caractéristiques profondes entre les étapes, formant notre réseau progressif récurrent (PReNet). De plus, le calcul récursif intra-étape du ResNet peut être adopté dans le PRN et le PReNet pour réduire notablement les paramètres du réseau tout en maintenant une dégradation douce des performances de dépluie. Pour les entrées et sorties du réseau, nous utilisons à la fois le résultat par étape et l'image originale pluvieuse comme entrée pour chaque ResNet et produisons finalement la prédiction de {l'image résiduelle}. En ce qui concerne les fonctions de perte, une seule fonction MSE ou une perte négative SSIM sont suffisantes pour entraîner le PRN et le PReNet. Les expériences montrent que le PRN et le PReNet offrent d'excellentes performances sur des images pluvieuses synthétiques et réelles. En raison de sa simplicité, efficacité et efficience, nos modèles sont susceptibles de servir de ligne de base appropriée dans les futures recherches sur la dépluie. Le code source est disponible à l'adresse suivante : https://github.com/csdwren/PReNet.