초록
단일 이미지 비 제거는 컴퓨터 비전에서 전형적인 역 문제입니다. 딥 러닝 기술은 이 작업에 효과적임이 입증되었으며 최고 수준의 성능을 달성하였습니다. 그러나 이전의 딥 러닝 방법들은 합성된 비가 있는/없는 대규모 이미지 쌍을事前收集하여 훈련해야 하는데, 이는 신경망이 합성된 비의 특정 패턴을 학습하는 데 편향되게 만들며, 훈련 데이터와 다른 실제 테스트 샘플의 비 유형에 일반화하는 능력이 상대적으로 낮아집니다. 이러한 문제를 해결하기 위해, 본 논문에서는 이 작업을 위한 준감독 학습 패러다임을 처음으로 제안합니다. 전통적인 딥 러닝 방법들이 합성된 비가 있는/없는 감독 이미지 쌍만 사용하는 것과 달리, 우리는 청정 이미지가 필요하지 않은 실제 비가 내린 이미지를 네트워크 훈련 과정에 추가로 포함시킵니다. 이를 통해 입력되는 비가 내린 이미지와 그 예상 네트워크 출력(비 없는 청정 이미지) 사이의 잔차를 특정 매개변수화된 비 줄무늬 분포로 정교하게 표현합니다. 따라서 네트워크는 감독된 합성 비에서 전이를 통해 실제 감독되지 않은 다양한 비 유형에 적응하도록 훈련됩니다.这样一来, 训练样本不足和对监督样本的偏差问题可以明显缓解。합성 및 실제 데이터에 대한 실험은 우리의 모델이 기존 최고 수준의 방법들보다 우월함을 검증하였습니다.注：在翻译中，我注意到有两处中文词汇“事前收集”和“这样一来”，可能是原文中的误植。为了保证翻译的准确性，我将其进行了适当的修正。如果需要保留这些词汇，请告知我具体含义以便进行更准确的翻译。