之前的概述所包含的文章內容主要包括了視頻的去雨，以及基於傳統方法（像核迴歸非局部均值濾波、低秩矩陣、基於Patch的建模、判別稀疏編碼、GMM層先驗等等）的單幅圖像去雨。
從這篇往後會認真看去雨的網絡方法。
1、2017CVPR ： DDN
這篇文章主要基於深度卷積神經網絡以及ResNet，提出了一種深度細節網絡用於減少從輸入到輸出的映射範圍，使得學習過程更簡單。
同時使用先驗圖像域知識，在訓練中聚焦於高頻細節，去除背景干擾，將模型聚焦於圖像中雨的結構。
CNN可以有效提高模型探索捕捉各種特徵的能力。
ResNet可以直接減少從輸入到輸出的映射範圍。
本文的貢獻：
1、使用了一種無損的負殘差映射，用於定義乾淨圖像和雨圖之間的差異。預測殘差來減少映射範圍。
2、採用了ResNet結構作爲圖像特徵深入探索的參數層，同時利用先驗知識並使用圖像細節層作爲輸入，而不是直接在圖像上應用ResNet。這樣便去除了背景干擾，細節層大部分像素都接近0.
3、合成了一個包含14000對乾淨雨圖的數據集。
網絡框架
其中，參數層結構爲ResNet結構。
從左至右分別是直接連接的網絡（只有從上到下的直接連接，包括conv，BN，ReLU，沒有別的連接結構）、負殘差映射（增添了一條直接跨越整個網絡的跳躍連接，傳遞無損信息）、ResNet網絡結構、ResNet+負殘差網絡結構、DDN（相比前一個，多了一個分解模塊，分解出高頻細節層）
如圖，直接連接的網絡存在嚴重的顏色偏移，ResNet網絡結構處理的圖片羽毛部分出現模糊，負殘差映射則是保留了顏色和對象細節但仍然存在一些雨紋，Neg-mapping + ResNet 還存在一些微小的細雨紋。
負殘差比ResNet的訓練及測試誤差更小。
具體網絡設計：
1、深度CNN網絡的目標函數：
2、負殘差映射：
Y-X 減少了像素值的範圍，同時跳躍連接用於傳播無損信息。
3、細節層作輸入
將含雨圖像X過一個低通濾波，本文采用指導濾波，得到Xbase，主要是背景部分。
X- Xbase 得到細節層，主要包含雨紋以及物體結構。高頻成分。細節層的稀疏性利用
4、最終的目標函數：
其中f是ResNet，W、b是要學習的網絡參數。
5、基本的網絡結構：
網絡結構中刪除了池化操作，保留空間信息。
6、與ResNet的不同：
網絡結構雖是基於ResNet進行修改，但還是有很多不同。
ResNet通過改變映射形式來簡化學習過程，而我們的深度細節網絡使用負映射直接減少了映射範圍。ResNet旨在爲高級視覺任務(如圖像分類和目標檢測)訓練一個極深的神經網絡。我們的深度網絡利用圖像領域的知識來解決圖像迴歸問題，提高圖像質量。
ResNet使用圖像本身作爲網絡的輸入，而我們的網絡使用細節層進行改進的訓練，以及提出的負映射。
訓練：
使用隨機梯度下降法（SGD）來最小化目標函數。
數據集：1000張乾淨的圖片增添14個不同方向和強度的雨紋，生成14000張圖片。
環境：Caffe，耗費14個小時。
參數：
分頁符
