Visualization Imaging Model Guided Generalizable Real Rainy Image Deraining

doi:10.1109/tcsvt.2026.3731459

Visualization Imaging Model Guided Generalizable Real Rainy Image Deraining

2026-09-07

0

PRE

AI

DOI：10.1109/tcsvt.2026.3731459

原文链接

原文求助

摘要

En 中文

单图像去雨（SID），致力于恢复在多样化和复杂雨环境中捕获的图像，得益于深度学习技术的迅速发展，已取得显著进展。然而，当前方法对配对数据的严重依赖，以及现有真实世界配对数据集的不完整性、合成数据集的固有偏差，限制了其在实际应用中的准确性和泛化能力。因此，从联合数据和网络的角度出发，我们提出了一种面向真实场景的可视化成像模型引导的通用去雨方法。首先，我们精心设计了一个包含雨雾、条纹及其他相关因素的全新雨影响成像模型。基于此模型，构建了一个大规模合成雨图像数据集MIRain，以缩小合成数据与真实数据的差距。其次，设计了一个两阶段优化的层次特征对齐去雨网络（HFADN），该网络利用层次特征对齐融合多尺度雨相关特征，以验证成像模型并促进其实际应用。第一阶段，HFADN通过整合自注意力机制的全局捕捉能力与卷积操作的本征聚焦能力，实现从合成雨图像中高效提取特征。第二阶段，通过引入真实数据的半监督学习，HFADN成功将其卓越的去雨能力扩展到更广泛的真实场景。最后，在基准数据集和复杂场景上的大量实验结果表明，所提出的方法不仅在高泛化能力下实现了合成和真实场景中优异的去雨性能，还生成了视觉上令人愉悦的结果，显著提升了整体图像质量。代码和数据可在https://github.com/lixiannian/HFADN获取。

Keyword:

Real image deraining

rain-affected imaging model

Semi-supervised learning

Visualization Imaging Model Guided Generalizable Real Rainy Image Deraining

摘要

期刊

机构

引用论文