关于使用LSTM迭代去雨的论文的介绍

本文主要是介绍关于使用LSTM迭代去雨的论文的介绍，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

这篇汇报包含了同一个作者（天津大学）的先后两篇论文：《Progressive Image Deraining Networks: A Better and Simpler Baseline》和《Single Image Deraining Using Bilateral Recurrent Network》，其中前者发表于2019年6月，后者发表于2020年6月。

因此我们先介绍发表于2019年6月的《Progressive Image Deraining Networks: A Better and Simpler Baseline》

motivation

作者认为在去雨任务中时常有算法无法完全去雨，会残留部分的雨点，而迭代去雨能够消除这个问题。

Model

如上图所示，在图（a）中，可以看到网络进行了T次迭代过程，其中每次输入均为原始有雨图像和上一轮去雨后的图像。在每个网络去雨过程中，其网络结构如图（a）左图所示，由普通卷积组成。

在图（b）中，和图（a）不同的是添加了LSTM的模块。其中不同迭代轮次的去雨网络的LSTM模块中，存在信息的向后传输。

在LSTM模块中，和为上一轮短连接传递过来的特征图，和为要传递到下一轮的特征图。和为当前网络中LSTM的输入和输出。

值得注意的是，网络对每个输出结果进行了约束，即给上loss。并且每个阶段的网络权重均相同。第一轮去雨的和初始化为0

文章使用了MSE和SSIM作为损失函数。其中MSE仅对最后一轮约束，SSIM对每一轮均做约束。

文章设定了循环为6次，即。训练图像大小为100*100，批大小设置为18

消融实验

文章展示了每次迭代次数不同的表现。

文章发现当七次迭代的结果略差于六次迭代的结果。

文章展示了是否使用每轮SSIM约束的表现，网络的总轮数为6，横坐标表示的是当前轮，纵坐标表示PSNR和SSIM：

可以发现，对网络进行更多的约束能够提高网络前几轮的表现，但在第六轮中，不对前几轮进行约束反而表现更好，我认为这是目标统一的结果。

在上一篇论文的基础上，作者进一步更新了网络，提出了《Single Image Deraining Using Bilateral Recurrent Network》

文章在整体框架上和上一篇论文上如出一辙，仅仅在LSTM上进行了修改，将LSTM修改为BLSTM，并将两个模块进行组合，如上图所示。用公式可以表达为：

其中为雨层，为去雨结果，为原始有雨图像。

文章设计的思路为：

• 网络可以估计去雨结果，当然也可以估计雨层，原始有雨图像减去雨层即可得到去雨图像，而对残差进行估计能够减轻网络重建场景的负担。
• 而每次估计得到的雨层可能会包含部分场景结构，导致去雨图像丢失细节。
• 因此，文章使用了以上方法，来保持去雨细节的同时适当降低去雨负担。

该网络在实验中在每一轮中使用MSE和SSIM损失，这一点和上一篇论文不同。

消融实验

文章展示了上一篇论文和当前论文的网络的区别，上一篇网络被称为SRN，当前网络被称为BRN：

可以看到其效果有一定提高。

也由于BRN的参数较SRN的参数量提高，所以指标上也有一定的提高。文章又给出了SRN+版本，以对比表示BRN的作用。

这篇关于关于使用LSTM迭代去雨的论文的介绍的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！