摘要

从单张图像中去除雨痕引起了广泛关注，因为雨痕会严重降低图像质量并影响现有室外视觉任务的性能。尽管最近基于卷积神经网络（CNN）的去雨方法报告了令人鼓舞的结果，但去雨仍然是一个开放问题，原因有二。首先，现有的合成雨数据集在建模真实雨特征（如雨滴形状、方向和强度）方面仅具有有限的真实性。其次，缺乏针对真实雨图像的公开基准测试集进行定量比较，这使得当前的评估不够客观。核心挑战在于无法同时捕捉到真实世界中的带雨图像和无雨图像对。本文通过两种方法解决了单张图像去雨问题。首先，我们提出了一种半自动方法，该方法结合了时间先验和人工监督，可以从每个输入的真实带雨图像序列生成高质量的无雨图像。利用这种方法，我们构建了一个大规模的数据集，包含约29.5万对带雨/无雨图像，涵盖了广泛的自然降雨场景。其次，为了更好地覆盖真实雨痕的随机分布特性，我们提出了一种新的空间注意力网络（SPatial Attentive Network, SPANet），以局部到全局的方式去除雨痕。大量实验表明，我们的网络在性能上优于现有的最先进去雨方法。