0%

(2017) Image De-raining Using a Conditional Generative Adversarial Network

Zhang H, Sindagi V, Patel V M. Image de-raining using a conditional generative adversarial network[J]. arXiv preprint arXiv:1701.05957, 2017.



1. Overview


图像去雨/去雪任务具有ill-posed性质,此前大多数工作都引入了prior信息,将问题转化为well-posed。本篇论文(cGAN+refined loss函数, ID-CGAN),在不引入prior信息的情况下,达到state-of-art。

1.1. 模型



1.2. Loss Function

1.2.1. G loss



包含三部分

  • 去雨图像与gt之间的L2 loss
  • 对抗loss
  • perceptual loss. 去雨图像与gt的特征L2 loss(通过VGG-16提取)
    实验中λ_a设为0.0066, λ_p设为1。


1.2.2. D loss



1.3. 相关工作

  • SPM(sparse coding-based clustering method). 使用双边滤波将图像分为高频低频两个部分, 接着将高频图像分为有雨无雨两部分。基于假设:雨的条纹具有相同的边缘方向。
  • DSC(discriminative sparse coding based method). Dictionary Learning
  • PRM. GMM + patch-based prior
  • GMM. GMM + patch-rank prior
  • CCR(convolutional coding-based method). 学习convolutional low-rank filters
  • CNN


相比于相关工作,ID-CGAN

  • 关注优化函数
  • 没有使用额外的处理方法

1.4. Drawbacks

对于白色圆形雨点,不但无法去除,而且还会增强。可能的原因:

  • 训练集缺少多样性
  • VGG-16捕获到白色原形雨点的特征,通过loss function使其增强


1.5. 发现

训练好的de-rain模型还具有de-snow和de-haze效果。





2. 数据集


2.1. 合成数据

  • 训练集. 700张图片。其中,500张从UCID数据集前800张图片中随机抽取;剩余200张从BSD-500训练集随机抽取
  • 测试集. 100张图片。其中,50张从UCID后500张中随机抽取;50张从BSD-500测试集随机抽取

使用photoshop加上雨状条纹(不同方向和像素强度)。图像resize到256x256.

2.2. 真实数据

从网上下载50张包含雨点的图片,且具有不同方向和像素强度。





3. 实验


3.1. 评价指标

论文使用图像的luminance channel进行计算.

3.1.1. PSNR(Peak Signal Noise Ratio)



3.1.2. SSIM(Structure Similarity Index)



3.1.3. UQI(Universal Quality Index)



3.1.4. VIF(Visual Information )



3.2. Baseline

  • GEN. 图像L2 loss
  • CGAN. 图像L2 loss + 对抗loss
  • CGAN-P. 对抗loss + perceptual loss

3.3. Baseline实验结果




  • 对抗loss能够提高视觉效果,但相关于常规CNN而言引进了artifacts
  • Perceptual loss能够很好地的解决artifacts问题,以及增强实验效果。但不能完全消除artifacts,造成质量下降

3.4. 算法比较