Apprentissage résiduel multi-échelle guidé par l'incertitude - Utilisation d'un CNN à cycle rotatif pour la dépluie d'une seule image

Le dépluie d'une seule image est un problème extrêmement complexe, car l'image pluvieuse peut contenir des traînées de pluie qui varient en taille, direction et densité. Les approches précédentes ont tenté de résoudre ce problème en utilisant certaines informations a priori pour supprimer les traînées de pluie d'une seule image. L'une des principales limitations de ces approches est qu'elles ne prennent pas en compte les informations sur la localisation des gouttes de pluie dans l'image. Le réseau proposé, basé sur l'apprentissage résiduel multi-échelle guidé par l'incertitude (UMRL), vise à surmonter cette difficulté en apprenant le contenu de la pluie à différentes échelles et en utilisant ces informations pour estimer la sortie finale dépluie. De plus, nous introduisons une technique qui guide le réseau à apprendre les poids du réseau en fonction d'une mesure de confiance relative à l'estimation. Nous proposons également une nouvelle procédure d'entraînement et de test basée sur le concept de rotation cyclique afin d'améliorer les performances finales du dépluie. Des expériences approfondies menées sur des jeux de données synthétiques et réels montrent que la méthode proposée réalise des améliorations significatives par rapport aux méthodes les plus récentes de pointe. Le code source est disponible à l'adresse suivante : https://github.com/rajeevyasarla/UMRL--using-Cycle-Spinning