深度学习去雾去雨

1.Density-aware Single Image De-raining using a Multi-stream Dense Network CVPR2018

有感知/特征损失，[paper]、[testing code]

密度感知多路密集网络DID-MDN，联合完成雨点密度估计和雨点去除。

首先对输入图像的雨点程度（严重、中等、轻微）进行分类/估计，然后利用多路密集网络和标注信息对输入图像进行去雨处理。

效果非常好，速度也是非常快，应该是目前最好的模型。算法中的预训练，然后联合训练，估计是很tricky的。

2、Attentive Generative Adversarial Network for Raindrop Removal from a Single Image CVPR2018

[paper]

该模型基于pix2pix，增加了attention-recurrent network，效果上比eigen2013的论文（第一个使用DL解决该问题的工作）好，也比pix2pix好。但是给论文没有和其他算法比。

3、Densely Connected Pyramid Dehazing Network CVPR2018

去雾，有感知损失，[paper]、[code]

使用黄色网络估计transmission，利用蓝色网络估计atmospheric light，然后利用公式，计算得到去雾图像。论文中总损失有4个子损失，训练非常tricky

4、Deep Joint Rain Detection and Removal from a Single Image CVPR2017

[paper]、[code]

比1差。

其中B是原图，O是带雨的图片，其他的量代表雨滴带来的影响。S指叠加的雨滴的强度，R指含雨滴范围的一个 binary mask，A对雨雾进行建模。之所以将S、R分别描述并分别用网络预测，是为了避免只回归S影响了图中不含雨滴的部分，R实际上描述了雨滴存在的区域，这也是标题中rain detection的含义。S、R预测的例子可见下图。t指的是图片中多个方向的雨叠加的效果，训练所用的合成雨的图片就是多次叠加的结果。最后A描述了一个图像整体的偏移，这是由大雨中远处大量雨滴叠加造成的类似雾的效果，实际算法中也用了去雾算法做处理。

在训练时作者使用了多分支的dilated convolution网络，以在节约计算量的同时扩大网络的感受，也获得更多的context信息。网络级联地预测S和R，在训练时都提供loss，在测试时得到S、R后，按之前的模型进行去雨处理。在实际实验中还发现采用去雨1次 – 去雾1次 – 再去雨1次的流程得到的结果是最好的。

此外在训练数据和测试方法上都是沿用之前工作的方法。训练数据都是使用不带雨的图片人工合成带雨的图片，并从图中抽取patch进行训练。在测试流程上，对于合成图片，主要比较衡量图片结构相似度的SSIM指标。对于真实环境的带雨图片，主要是视觉上的qualitative比较。

5、Image De-raining Using a Conditional Generative Adversarial Network 2017

类似pix2pix，[paper]、[code]

1中作者的以前工作，类似pix2pix。

6、Clearing the Skies: A Deep Network Architecture for Single-Image Rain Removal TIP2017

[paper]

7、Removing rain from single images via a deep detail network CVPR2017

[paper]

对于雨滴模型的创新主要是提出了2点insights。

1、类似ResNet的思路，回归带雨图像与原图的残差，而不是直接输出还原图像。这样一来可以使算法操作的图像目标值域缩小，稀疏性增强。实际上这一点在超分辨率等很多问题中已经被广泛应用。

2、使用频域变换，分离图像中的低频部分和高频部分，只对高频部分做去雨操作。原因是雨滴基本只存在于高频部分，分离后可以使得操作目标进一步稀疏化，实验效果显著优于不做这一操作的结果。

实现上作者使用了一个26层的ResNet，为了保证输出分辨率不变，去掉了所有的Pooling操作。实验表明：与直接输入带雨图像、输出原图相比，一个26层的ResNet效果已经与原始方法50层的ResNet效果相近，并显著优于其他旧方法。这证明了两个技巧的有效性。

8、Rain Streak Removal Using Layer Priors CVPR2016

[paper]

9.Single Image Rain Streak Decomposition Using Layer Priors TIP2017

[paper]

10、Perceptual Adversarial Networks for Image-to-Image Transformation 2017

类似pix2pix，有感知损失，[paper]

11.Non-locally Enhanced Encoder-Decoder Network for Single Image De-raining（2018ACM）

深入研究了一种有效的端到端神经网络结构，用于更强的特征表达和空间相关学习。具体来说，我们提出了一种非局部增强的编码器 - 解码器网络框架，它由嵌入式索引编码器 - 解码器网络组成，有效地学习越来越抽象的特征表示，以便更精确地进行雨条纹建模，同时完美地保留图像细节。所提出的编码器 - 解码器框架由一系列非局部增强的密集块组成，这些块不仅可以完全利用来自所有卷积层的分层特征，而且可以很好地捕获长距离依赖性和结构信息。对合成和真实数据集的大量实验表明，所提出的方法可以有效地去除各种密度的雨天图像上的雨条纹，同时保留图像细节，与最近的最新方法相比，实现了显着的改进