EfficientDeRain : Apprentissage du filtrage de dilatation par pixel pour un déraillement efficace d'une seule image.

Résumé

La dérivation d'une image unique est plutôt difficile en raison du modèle de pluie inconnu. Les méthodes existantes font souvent des hypothèses spécifiques sur le modèle de pluie, qui peuvent difficilement couvrir de nombreuses circonstances diverses dans le monde réel, ce qui les oblige à recourir à une optimisation complexe ou à un raffinement progressif. Cela affecte toutefois de manière significative l'efficacité de ces méthodes pour de nombreuses applications critiques en termes d'efficacité. Pour combler cette lacune, nous considérons dans cet article le déraillement d'une seule image comme un problème général d'amélioration de l'image et proposons une méthode de déraillement sans modèle, EfficientDeRain, capable de traiter une image pluvieuse en 10~ms (soit environ 6~ms en moyenne), plus de 80 fois plus vite que la méthode de pointe (RCDNet), tout en obtenant des effets de déraillement similaires. Nous proposons d'abord un nouveau filtrage par dilatation au pixel près. En particulier, une image de pluie est filtrée avec les noyaux pixellisés estimés à partir d'un réseau de prédiction de noyaux, qui permet de prédire efficacement les noyaux multi-échelles appropriés pour chaque pixel. Ensuite, pour éliminer l'écart entre les données synthétiques et les données réelles, nous proposons une méthode efficace d'augmentation des données (c'est-à-dire RainMix) qui aide à former le réseau pour le traitement des images pluvieuses réelles.