RR-GAN 的网络架构,由一个多尺度的注意力记忆生成器MAMG 和一个多尺度的深度监督鉴别器MDSD 组成。其中,MAMG 循环递归地利用具有注意机制的记忆模块不断获取更加精确的雨纹信息,接着将原始雨图和雨纹图一起输入到U-Net 中得到复原图像。通过MDSD ...
给定一个雨天图像,FourierMamba首先使用卷积层生成维度为的浅层特征,其中和表示高度和宽度,表示通道数。随后,作者采用多尺度U-Net架构来获取深层特征。该阶段由一系列傅里叶残差状态空间组组成,每个组包含多个傅里叶残差状态空间块(FRSSB)。FRSSB包含作者的两个核心设计:傅里叶空间交互SSM块和傅里叶通道演化SSM块。
TransUNet：该类是透射率估计网络，是一个U-Net结构的网络。该类的forward方法定义了透射率估计网络的前...
多尺度渐进式残差网络的图像去雨 1.多尺度渐进式残差网络(残差网络(Residual Network,简称ResNet)是一种卷积神经网络,由来自Microsoft Research的4位学者提出。该网络在2015年的ImageNet大规模视觉识别竞赛(ILSVRC)中获得了图像分类和物体识别的优胜。残差网络的特点是容易优化,并且能够通过增加相当的深度来提高准确率。...
block里面非ResNet残差结构,而是Concat的结构,搭配NA组成。 3个stage逐步叠加,最后输出有concat+NA。 多种有效的跳跃连接,促进低频信息的旁路流通。 损失函数:L1+SSIM(隐藏的trick) 实验结果: 1.消融实验:与SE的参数量对比,K为卷积核大小 2.消融实验:与SE的效果对比 ...
PRN:Progressive Residual Network 将一个ResNet重复在TTT个阶段上展开,网络参数在不同阶段重复使用 每个阶段的网络具体包含以下部分: finf_{in}fin:Conv+ReLU,接受上个阶段输出的图像和原始雨图的拼接作为输入 fresf_{res}fres:5个ResBlock,提取深度特征表示 foutf_{out}fout:Conv,输出去雨结果 每个阶段TTT的...
其中,MAMG 循环递归地利用具有注意机制的记忆模块不断获取更加精确的雨纹信息,接着将原始雨图和雨纹图一起输入到U-Net 中得到复原图像。通过MDSD 对复原的图像进行真假判断,使其外观尽可能接近于无雨图像。RR-GAN 除了使用GAN 的传统损失函数,还加入了一个重构损失函数,度量提取的雨纹加去雨得到的图片与原始雨...
(x)trans,atm,_=self.fognet(torch.cat([x,lf],dim=1))streak=self.rainnet(torch.cat([x,hf],dim=1))streak=streak.repeat(1,3,1,1)#dehaze = (x - 0.7*streak - (1 - trans) * atm) / (trans + self.eps)dehaze=(x-(1-trans)*atm)/(trans+self.eps)-streakclean=self.relu(self...