進行画像脱雨ネットワーク：より良いかつ単純なベースライン

深層ネットワークの雨除去性能向上に伴い、その構造と学習はますます複雑かつ多様化しており、新しい雨除去ネットワークを開発する際に様々なネットワークモジュールの貢献を分析することが難しくなっています。本論文では、ネットワークアーキテクチャ、入力と出力、損失関数を考慮することで、より良いかつ単純な基準となる雨除去ネットワークを提供します。具体的には、浅いResNetを繰り返し展開することにより、再帰計算の利点を利用する進行型ResNet（Progressive ResNet: PRN）が提案されています。さらに、段階間の深層特徴量の依存関係を活用するために再帰層が導入され、我々の進行型再帰ネットワーク（Progressive Recurrent Network: PReNet）が形成されます。また、ResNetの段階内再帰計算はPRNおよびPReNetで採用され、ネットワークパラメータを大幅に削減しつつも雨除去性能への影響が最小限に抑えられます。ネットワークの入力と出力については、各ResNetに入力として段階的な結果と元の雨画像を使用し、最終的に{残差画像}の予測を出力します。損失関数に関しては、単一のMSEまたは負のSSIM損失でPRNおよびPReNetを十分に訓練することができます。実験結果から、PRNおよびPReNetは合成画像および実際の雨画像に対して良好な性能を示しています。その単純さ、効率性および有効性を考えると、我々のモデルは今後の雨除去研究における適切な基準となることが期待されます。ソースコードはhttps://github.com/csdwren/PReNet で入手可能です。