图像去雾去雨去模糊去噪

    一坑未平，一坑又起。前阵子研究的Ocr检测+识别算法算是告一段落。整体来说目前相关算法效果算是不错的了，通用于身份证通行证等各类证件识别，车票识别，彩票，发票等各类票据识别，车牌识别，温度仪表盘等。

    接下来即将进行的工作是图像去去除雨滴，去雾，去除噪声，去尘土和去模糊等都是这一类的，图像复原（低级图像处理/视觉任务）。采用生成对抗网络和感知损失进行这类研究的有相当一部分。下面进行相关汇总（资料调用）。

传统方法

1.首先列传统算法，最经典的莫过于凯明男神去雾算法：

《Single Image Haze Removal Using Dark Channel Prior》一文中图像去雾算法的原理、实现、效果（速度可实时）

 在图像去雾这个领域，几乎没有人不知道《Single Image Haze Removal Using Dark Channel Prior》这篇文章，该文是2009年CVPR最佳论文。

code可以参考：

1).dehaze 暗通道去雾

2).dehazeProcessor

 

2.Non-Local Image Dehazing

简单明了的图像去雾算法。

csdn:https://blog.csdn.net/cv_family_z/article/details/52849543

code:

1)https://github.com/xianshunw/scindapsus/tree/master/berman2016non-local

2)https://github.com/danaberman/non-local-dehazing

3)https://github.com/Sar-Kerson/dehazeProcessor

深度学习算法

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。

                                                                                 图 一

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]

                                                                                        图 二

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]

                                                                                         图 三

使用黄色网络估计transmission，利用蓝色网络估计atmospheric light，然后利用公司，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]  [code]

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]

 

                                                                                    图 四

 

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

 

 小结：

以上工作的可迁移性包括：去除眼镜

去除栅栏

 

 

 

 

 

 

 

 

参考链接：

1.知乎：https://www.zhihu.com/question/272305330/answer/366831382

2.https://www.jianshu.com/p/15ca85da6ae2