2017 TIP ：DerainNet
这篇文章也是傅雪阳大佬发的，有点像他2017的另一篇CVPR：DDN
文章第一个将深度卷积神经网络CNN用於单幅图像去雨，同时在细节层而不是在图像域训练网络。
前人工作：
诸如低秩模型、稀疏编码、字典学习、层先验方法、GMM等等，这里不再赘述。
存在问题：
之前的方法仅通过低层特性将雨纹从对象细节中分离出来。
当物体的结构和方向与雨纹相似时，这些方法很难同时去除雨纹和保存结构信息。
另一方面，人类可以利用上下文信息等高级功能，轻松地在一张图像中分辨出雨纹。
因此，提出了一种基于深度CNN网络的去雨方法。
文章的主要贡献：
1、DerainNet直接自动从数据中学习了干净层和雨的细节层(即，高分辨率层)之间的非线性映射函数，同时进行了去雨和图像增强来改善视觉效果。
2、使用图像处理领域的知识来修正目标函数，提高去雨质量，而不是使用增加神经元或叠加隐藏层等常用策略来有效地逼近期望的映射函数。
3、合成数据集
网络结构：
如图，首先将输入的含雨图像分离成高频细节层及低频的base 层，将高频细节层作为输入，使用CNN进行特征的提取，得到去雨后的细节层，然后分别对base层及去雨后的细节层进行图像增强，然后相加得到输出图像。
具体工作：
1、目标函数：
2、卷积神经网络
结构类似之前的3个CNN的窗口去雨去土那篇文章。
3、数据集
350张室外清晰图片，（UCID、BSD、Google），使用Photoshop生成训练数据集。
添加14种不同方向和强度的雨纹。
迭代更新权值和偏差：
4、图像增强部分
分页符
