0%

(CVPR 2017) Deep joint rain detection and removal from a single image

Yang W, Tan R T, Feng J, et al. Deep joint rain detection and removal from a single image[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 1357-1366.



1. Overview


现实生活中的雨滴具有以下特性

  • 远处的雨滴堆积产生类似于雾的大气遮盖物,散射光线,导致可见度降低
  • 近处的雨滴产生镜面反射,遮挡背景
  • 雨滴具有不同形状和方向. 尤其是大雨,可见度很低

现有的方法存在一些不足之处

  • 雨滴与背景纹理存在重叠,去雨导致over-smoothing the regions
  • 雨滴的退化效果很复杂,现有方法不能充分包含所有重要的因素
  • 基于local patch有限receptivefield

因此,论文

  • 对雨滴进行建模
  • 创建数据集Rain100H
  • 并在此基础上提出multi-task深度学习框架

1.1. Contribution

  • First method to model rain-streak binary mask, atmosphere veils and various shapes and directions of overlapping rain streaks
  • First method to jointly detect and remove rains
  • First rain method to use contextualized dilated network
  • First method use recurrent to address heavy rain

1.2. 相关工作

  • Sparse coding. Learned dictionary
  • Low rank
  • Non-local mean filter
  • Discriminative sparse coding
  • GMM
  • Denoising, complement, super-resolution, deblurring, deconvolution, style tansfer, dehazing, light enhancement.

1.3. 数据集

数据集中的图片选择BSD200

  • Rain12, Rain100L. one type of rain streak
  • Rain100H (论文提出). five type of rain streak,虽然现实生活中很少同时存在多种类型的rain streak. 但这样的训练数据能够提升网络性能


d. simulated sharp line streaks along a certain direction with a small variation



2. Rain Image Model


2.1. Widely Used Model

此前的一些工作用



表示rain image model. 将rain removal转化为分离两个信号问题.

  • O. Input image or Observe image
  • B. Background layer
  • S. rain streak layer
    但该模型存在缺陷
  • 不同region中的S具有不同的密度,无法使用统一的S表示
  • 没有区分rain region和no-rain region,造成no-rain region过度平滑

2.2. Region-dependent Model



R为binary mask. 1表示rain region. 0表示no-rain region.

公式表明

  • 提供额外gt (rain streak region)给神经网络模型. Multi-task
  • pipeline. 检测rain region, 对rain region和no-rain region进行不同的处理

2.3. Rain Accumulation Model

雨滴存在堆积的情况,并形成类似与雾的视觉效果。



Koschmieder模型适用于近似多种浓密的介质,如雾、水下等。因此,可将模型表示为



  • t. rain-streak layer index
  • s. rain-streak layer number
  • A. global atmosphere light
  • α. atmosphere transmission

公式表明:可独立处理rain removal和rain accumulation





3. Architecture


3.1. Joint Rain Streak Detection and Removal (JORDER)



结构

  • 通过Contextualized Dilated Network提取特征F
  • 基于F预测R
  • 基于[F, R]预测S
  • 基于[F, R, S]预测SR
  • B = O - SR
  • Recurrent
    也可采用其他的策略:并行预测等。

3.2. Contextualized Dilated Network

  • 分支一:Conv 3x3 1 dilate, Conv 3x3 1 dilate, 感知域5x5
  • 分支二:Conv 3x3 2 dilate, Conv 3x3 2 dilate, 感知域9x9
  • 分支三:Conv 3x3 3 dilate, Conv 3x3 3 dilate, 感知域13x13

3.3. Loss Function



3.4. Recurrent

  • 每次迭代的过程



  • 最终生成图片



    τ为迭代次数
  • Loss Function


3.5. Rain-Accumulation Removal



虽然公式3表明,首先应做rain-accumulation removal. 但会增强图片中sharp, visible rain streak,导致与数据集中的rain streak不同。因此,论文的处理过程为

  • streak removal
  • rain-accumulation removal
  • streak removal


Accumulation removal网络

  • Create another network based on the structure of contextualized dilated network, with only one recurrence
  • Trained with the synthesized data generated with the random background reliance and transmission value



4. Experiments


4.1. Baseline

  • JORDER-. 只有一条分支,不使用dilated convolutions
  • JORDER.
  • JORDER-R.
  • JORDER-R-DEVEIL.

  • Image Decomposition (ID)

  • CNN
  • DSC
  • Layer Prior (LP)
  • SRCNN

4.2. 实验结果