基于自注意力机制的单幅图像去雨滴方法

在数字图像中去除雨滴的干扰,对恢复图像质量有较大应用意义。随着深度学习图像去噪技术的发展,针对目前大多数去雨滴的方法恢复质量低、计算量大等问题,提出了一种基于自注意力机制的轻型图像去雨滴算法。该算法建立了一个轻量级的级联稠密残差网络(cascaded dense residual network),用于恢复被雨滴覆盖的图像信息。该网络由多个模块组成,模块间用稠密的残差和跳过连接引导图像信息的输出,以从粗略到细节的方式逐级消除图像中的雨滴,恢复雨滴下的背景信息。网络中每个模块由卷积层、非局部神经网络(non-local neural network)和递归卷积网络组成,在保证预测无雨图像的效果的同时减少参数量。实验结果表明,与AttentiveGAN等去雨滴方法相比,该算法去雨滴效果良好。该方法将自注意力机制加入级联稠密残差网络中,参数量仅为0.22 M,适用于小型嵌入式的除雨滴设备。