基于渐进式特征恢复的图像去雨网络结题报告.docVIP

基于渐进式特征恢复的图像去雨网络结题报告

一、研究背景与问题提出

在计算机视觉领域，图像去雨技术一直是极具挑战性的研究方向。现实场景中，降雨会导致图像出现模糊、对比度下降、细节丢失等问题，严重影响后续的目标检测、图像分割、场景理解等高级视觉任务的性能。例如，在智能交通系统中，雨天监控画面的模糊可能导致车辆识别准确率大幅降低；在无人机航拍场景中，降雨会使地形测绘数据出现偏差。

传统的图像去雨方法主要分为基于物理模型和基于滤波的方法。基于物理模型的方法通过建立降雨的形成模型，试图从降质图像中恢复出无雨图像。然而，这类方法需要对降雨的物理参数进行精确估计，实际应用中由于降雨场景的复杂性，很难准确获取这些参数，导致去雨效果不佳。基于滤波的方法则通过设计各种滤波器来去除雨线，但这类方法往往会过度平滑图像，丢失大量细节信息，同时对于不同方向、不同密度的雨线缺乏适应性。

随着深度学习技术的发展，基于卷积神经网络（CNN）的图像去雨方法取得了显著进展。这些方法通过大量的带雨图像和对应的无雨图像进行训练，学习到降雨特征与无雨图像之间的映射关系。然而，现有的深度学习去雨网络大多采用端到端的训练方式，直接从带雨图像中恢复无雨图像，这种方式容易导致网络对复杂降雨场景的拟合能力不足，尤其是在雨线密集、背景复杂的情况下，去雨后的图像仍然会残留雨线或者出现过度修复的问题。

基于上述问题，本研究提出了一种基于渐进