Page 317 - 《软件学报》2021年第10期
P. 317

张学锋  等:基于双注意力残差循环单幅图像去雨集成网络                                                     3289


                                     Table 2    Ablation study using different modules combinations
                                                表 2   融合学习不同组合模块
                                           模块                     不同模块的组合
                                           RB             √     √      √     √     √
                                        Dual attentions        √      √     √     √
                                          MSDC                       √     √     √
                                          LSTM                            √     √
                                        Gated network                          √
                                          PSNR          37.382  38.118  38.004  38.452  38.547
                                           SSIM         0.971  0.978  0.981  0.981  0.982

                 3.1.3    损失函数
                    在训练网络的过程中,尝试融合不同损失函数实现更好的去雨,其中包括负的结构相似度(negative SSIM)、
                 均方误差(MSE)和感知损失(perceptual losses).如表 3 所示,分别采用负结构相似度(SSIM)、负结构相似度与多
                 阶段均方差损失(SSIM+MSE)和负结构相似度与感知损失(SSIM+PL).在 Rain100L 上的测试结果表明:虽然只
                 用了负结构相似度一种损失函数,但是去雨的效果在 PSNR 和 SSIM 好于其他损失函数的组合.
                                   Table 3    Comparison of RDARENet with different loss functions
                                           表 3   比较不同损失函数的 RDARENet 网络
                                      Loss           SSIM        SSIM+MSE      SSIM+PL
                                      PSNR           38.547       38.430        38.025
                                      SSIM           0.982         0.982         0.981

                 3.2   仿真雨数据集实验
                                                                                                      [1]
                    RDARENet 网络模型分别在 Rain100H、Rain100L 和 Rain800 数据集上训练.如表 4 所示,给出了与 GMM 、
                 DDN [11] 、RESCAN [15] 和 PReNet [16] 这 4 种单幅图像去雨方法进行比较(红色和蓝色分别表示最好和其次)的结果.
                                 Table 4    Average PSNR and SSIM comparison on the synthetic datasets
                                       表 4   在仿真数据集上比较 PSNR 和 SSIM 的平均值
                      Method   GMM(CVPR’16)    DDN(CVPR’17)  [11]  RESCAN(ECCV’18) [15]  PReNet(CVPR’19) [16]    Ours
                                         [1]
                     Rain100H   15.21/0.421    25.23/0.764     27.71/0.852     29.41/0.899   29.95/0.903
                     Rain100L   28.45/0.868    32.34/0.941     38.19/0.980     37.49/0.979   38.55/0.982
                      Rain12    32.11/0.913    34.93/0.943     36.51/0.953     36.23/0.969  37.02/0.970
                      Rain800   23.57/0.821    25.71/0.846     28.18/0.884     26.29/0.890  28.03/0.898
                    相对于其他 4 种去雨方法,在测试集 Rain100H 和 Rain100L、Rain12 和 Rain800 上,本文的方法在 PSNR 上
                 分别提高 0.54dB、0.36dB 和 0.51dB,在 SSIM 上分别提高 0.4%、0.2%、0.1%和 0.8%.图 4 展示的是 Rain100H
                 测试集去雨之后的图像,RDARENet 网络有效地去除了雨痕,在保留和恢复图像细节方面取得很好的视觉效果.










                    Rain image      Clean image        GMM           DNN          RESCAN         PReNet          Ours
                                        Fig.4    Results of various methods on synthetic images
                                             图 4   仿真数据集多种算法的比较结果
                 3.3   真实雨数据集实验
                                                [1]
                    如图 5 所示,比较本文算法与 GMM 、DDN            [11] 、RESCAN [15] 和 PReNet [16] 方法在真实雨图像的去雨效果.
   312   313   314   315   316   317   318   319   320   321   322