基于对比学习的视频去雨结题报告.docVIP

基于对比学习的视频去雨结题报告

一、研究背景与问题提出

在计算机视觉领域，视频去雨作为一项基础且关键的任务，其研究价值源于现实世界中恶劣天气对视觉数据采集与分析的严重干扰。降雨场景下，雨滴会在镜头表面形成动态遮挡，导致视频画面出现模糊、光线反射异常、细节丢失等问题，直接影响后续目标检测、跟踪、语义分割等高级视觉任务的性能。例如，在智能交通系统中，雨天监控画面中的雨滴可能导致车辆识别准确率下降30%以上；在无人机航拍场景中，雨滴会使地形测绘数据出现大量噪声，降低地图精度。

传统视频去雨方法主要分为基于模型驱动和数据驱动两类。模型驱动方法通过建立雨滴的物理运动模型，结合图像先验知识（如稀疏性、平滑性）进行去雨处理，但这类方法对复杂雨型的适应性较差，且计算成本高，难以满足实时处理需求。数据驱动方法以深度学习为代表，通过大量带雨/无雨视频对训练神经网络，实现端到端的去雨映射。然而，现有深度学习方法存在两个核心问题：一是训练数据依赖人工合成，合成雨型与真实雨型存在分布差异，导致模型在真实场景中泛化能力弱；二是视频序列的时间关联性未被充分利用，单帧去雨方法容易产生帧间闪烁、伪影等问题，破坏视频的时空一致性。

对比学习作为一种自监督学习范式，近年来在图像分类、特征提取等任务中取得突破性进展。其核心思想是通过构造正负样本对，让模型学习到具有判别性的特征表示，从而提升模型的泛化能力。将对比学习引入视