Amy.

  • 10

    获得赞
  • 5

    发布的文章
  • 0

    答辩的项目

效果好,速度快!基于增强多任务学习的单图像去雨算法MENET

深度学习

最后更新 2020-05-08 18:05 阅读 394

最后更新 2020-05-08 18:05

阅读 394

深度学习

Multi-Task Learning Enhanced Single Image De-Raining 

基于增强的多任务学习的单图像去雨


1.png

作者单位:大连海事大学  

本文使用多任务学习改进图像去雨,使用多任务回归模型中将各种语义约束任务组合在一起的方法,其任务包括内容、边缘感知、局部纹理相似性方面等,另外,为更进一步改进模型性能,作者还提出了两种简单但功能强大的动态加权算法,其中自适应加权方案效果更好。

该多任务增强网络(MENET)基于UNET。在真实数据集和合成数据集的实验上证明,该网络实现了卓越的去雨效果,即使是大雨、甚至是条纹状雨效果也很不错。 

 而且该文提出的算法相比其他SOTA方法,速度也有大幅提升。

该文方法与其他State-of-the-art方法去雨效果的视觉比较:


2.jpg


可见,视觉效果上最接近Ground truth了!

图像去雨是个“病态”问题示例:


3.jpg


该文提出方法的网络架构:


4.jpg

6.png5.png

7.jpg

消融实验分析:

8.jpg

9.jpg

TABLE II 是与其他SOTA算法的比较结果


除了效果好,相比其他算法速度也很快,


10.png


对于大小为224 x 224 的图像,该文算法仅需要0.6578s左右。

可视化效果比较:


1111111.jpg

12.jpg

13.jpg

14.jpg

15.jpg

16.jpg

17.jpg

18.jpg


文章转载至公众号“我爱计算机视觉”

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可,转载请附上原文出处链接和本声明。
本文链接地址:https://www.flyai.com/article/441
讨论
500字
表情
每日优质讨论奖励 20FAI
发送
每日优质讨论奖励 20FAI
删除确认
是否删除该条评论?
取消 删除