Page 317 - 《软件学报》2021年第10期

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.