基于扩散模型的图像去雨线结题报告.docVIP

基于扩散模型的图像去雨线结题报告

一、研究背景与问题提出

在计算机视觉领域，图像去雨是一项极具挑战性的任务，其核心目标是从受雨线干扰的图像中恢复出清晰、无雨的原始场景。雨线的存在不仅会降低图像的视觉质量，还会严重依赖视觉信息的后续任务，如目标检测、图像分割、自动驾驶环境感知等，导致性能大幅下降。传统的图像去雨方法主要分为基于图像处理的方法和基于深度学习的方法两类。

基于图像处理的方法，如暗通道先验、导向滤波等，通常依赖于手工设计的雨线特征和统计规律。这类方法在简单场景下能够取得一定效果，但面对复杂的雨线分布（如密集雨、倾斜雨、不同大小的雨珠混合等）时，往往会出现过度平滑、细节丢失或雨线残留等问题。同时，这类方法的泛化能力较差，难以适应多样化的真实雨景场景。

基于深度学习的方法，尤其是卷积神经网络（CNN）的兴起，为图像去雨带来了新的突破。早期的CNN去雨模型通过端到端的训练，学习雨线与干净图像之间的映射关系。然而，这类模型大多基于生成对抗网络（GAN）或编码器-解码器结构，存在训练不稳定、生成图像缺乏多样性、对复杂雨线建模能力不足等问题。此外，传统深度学习模型在处理雨线时，往往将雨线视为单一的噪声模式，忽略了雨线在空间分布、形状、透明度等方面的多样性，导致去雨效果在真实复杂场景下仍不尽人意。

扩散模型（DiffusionModel）作为一种新兴的生成式模型，近年来在图像生成、图像