A novel dual-stage progressive enhancement network for single image deraining

计算机科学 块(置换群论) 水准点(测量) 残余物 特征(语言学) 背景(考古学) 像素 人工智能 图像(数学) 模式识别(心理学) 遥感 计算机视觉 算法 地质学 数学 古生物学 语言学 哲学 几何学 大地测量学
作者
Tao Gao,Yuanbo Wen,Jing Zhang,Ting Chen
出处
期刊:Engineering Applications of Artificial Intelligence [Elsevier]
卷期号:128: 107411-107411 被引量:5
标识
DOI:10.1016/j.engappai.2023.107411
摘要

The dense rain accumulation in heavy rain can significantly wash out images and thus destroy the background details of images. Although existing deep rain removal models lead to improved performance for heavy rain removal, we find that most of them ignore the detail reconstruction accuracy of rain-free images. In this paper, we propose a dual-stage progressive enhancement network (DPENet-v2) to achieve effective deraining with structure-accurate rain-free images. Three main modules are included in our framework, namely a rain streaks removal network (R2Net), a details reconstruction network (DRNet) and a cross-stage feature interaction module (CFIM). The former aims to achieve accurate rain removal, and the latter is designed to recover the details of rain-free images. We introduce two main strategies within our networks to achieve trade-off between the effectiveness of deraining and the detail restoration of rain-free images. Firstly, a dilated dense residual block (DDRB) within the rain streaks removal network is presented to aggregate high/low level features of heavy rain. Secondly, an enhanced residual pixel-wise attention block (ERPAB) within the details reconstruction network is designed for context information aggregation. Meanwhile, CFIM learns the long-range dependencies and achieves cross-stage information communication. We also propose a comprehensive loss function to highlight the marginal and regional accuracy of rain-free images. Extensive experiments on benchmark public datasets show both efficiency and effectiveness of the proposed method in achieving structure-preserving rain-free images for heavy rain removal.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
小蘑菇应助钱俊采纳,获得10
2秒前
赵辰宇发布了新的文献求助10
3秒前
江江完成签到,获得积分10
4秒前
清新的含芙完成签到,获得积分20
4秒前
6秒前
慕青应助陈媛采纳,获得10
6秒前
yufanhui应助luckweb采纳,获得10
7秒前
kiki发布了新的文献求助10
8秒前
L666完成签到,获得积分10
9秒前
爱吃麻辣烫应助奶糖喵采纳,获得10
9秒前
DavidWebb发布了新的文献求助30
9秒前
橙子发布了新的文献求助10
12秒前
敏感手套发布了新的文献求助10
13秒前
13秒前
111111发布了新的文献求助10
14秒前
完美世界应助欢呼星星采纳,获得10
14秒前
15秒前
15秒前
16秒前
闵min完成签到 ,获得积分10
16秒前
动点子智慧完成签到,获得积分10
16秒前
宋雪芹发布了新的文献求助10
17秒前
17秒前
18秒前
陈媛发布了新的文献求助10
18秒前
Raylihuang应助小番茄采纳,获得20
18秒前
lmr完成签到,获得积分10
19秒前
小蘑菇应助kiki采纳,获得10
19秒前
爱吃麻辣烫应助半烟采纳,获得10
19秒前
辣辣辣发布了新的文献求助10
19秒前
江江发布了新的文献求助10
20秒前
芥末发布了新的文献求助10
23秒前
慕青应助张子扬采纳,获得10
23秒前
23秒前
上官若男应助黄垚采纳,获得30
24秒前
张志超发布了新的文献求助10
25秒前
张子扬完成签到,获得积分10
26秒前
王大壮完成签到,获得积分10
26秒前
无花果应助wyc采纳,获得10
27秒前
28秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
China's Relations With Japan 1945-83: The Role of Liao Chengzhi 400
Classics in Total Synthesis IV 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3149519
求助须知:如何正确求助?哪些是违规求助? 2800571
关于积分的说明 7840676
捐赠科研通 2458112
什么是DOI,文献DOI怎么找? 1308279
科研通“疑难数据库(出版商)”最低求助积分说明 628471
版权声明 601706