论文阅读：Removing rain from single images via a deep detail network

之前的概述所包含的文章内容主要包括了视频的去雨，以及基于传统方法（像核回归非局部均值滤波、低秩矩阵、基于Patch的建模、判别稀疏编码、GMM层先验等等）的单幅图像去雨。
从这篇往后会认真看去雨的网络方法。

1、2017CVPR ： DDN

这篇文章主要基于深度卷积神经网络以及ResNet，提出了一种深度细节网络用于减少从输入到输出的映射范围，使得学习过程更简单。
同时使用先验图像域知识，在训练中聚焦于高频细节，去除背景干扰，将模型聚焦于图像中雨的结构。
CNN可以有效提高模型探索捕捉各种特征的能力。
ResNet可以直接减少从输入到输出的映射范围。

本文的贡献：
1、使用了一种无损的负残差映射，用于定义干净图像和雨图之间的差异。预测残差来减少映射范围。
2、采用了ResNet结构作为图像特征深入探索的参数层，同时利用先验知识并使用图像细节层作为输入，而不是直接在图像上应用ResNet。这样便去除了背景干扰，细节层大部分像素都接近0.
3、合成了一个包含14000对干净雨图的数据集。

网络框架

其中，参数层结构为ResNet结构。

从左至右分别是直接连接的网络（只有从上到下的直接连接，包括conv，BN，ReLU，没有别的连接结构）、负残差映射（增添了一条直接跨越整个网络的跳跃连接，传递无损信息）、ResNet网络结构、ResNet+负残差网络结构、DDN（相比前一个，多了一个分解模块，分解出高频细节层）

如图，直接连接的网络存在严重的颜色偏移，ResNet网络结构处理的图片羽毛部分出现模糊，负残差映射则是保留了颜色和对象细节但仍然存在一些雨纹，Neg-mapping + ResNet 还存在一些微小的细雨纹。

负残差比ResNet的训练及测试误差更小。

具体网络设计：

1、深度CNN网络的目标函数：

2、负残差映射：
Y-X 减少了像素值的范围，同时跳跃连接用于传播无损信息。

3、细节层作输入

将含雨图像X过一个低通滤波，本文采用指导滤波，得到Xbase，主要是背景部分。
X- Xbase 得到细节层，主要包含雨纹以及物体结构。高频成分。细节层的稀疏性利用

4、最终的目标函数：

其中f是ResNet，W、b是要学习的网络参数。

5、基本的网络结构：

网络结构中删除了池化操作，保留空间信息。

6、与ResNet的不同：

网络结构虽是基于ResNet进行修改，但还是有很多不同。
ResNet通过改变映射形式来简化学习过程，而我们的深度细节网络使用负映射直接减少了映射范围。ResNet旨在为高级视觉任务(如图像分类和目标检测)训练一个极深的神经网络。我们的深度网络利用图像领域的知识来解决图像回归问题，提高图像质量。
ResNet使用图像本身作为网络的输入，而我们的网络使用细节层进行改进的训练，以及提出的负映射。

训练：
使用随机梯度下降法（SGD）来最小化目标函数。
数据集：1000张干净的图片增添14个不同方向和强度的雨纹，生成14000张图片。
环境：Caffe，耗费14个小时。
参数：

分页符