Multi-Task Learning Enhanced Single Image De-Raining 

基于增强的多任务学习的单图像去雨

作者单位：大连海事大学  

本文使用多任务学习改进图像去雨，使用多任务回归模型中将各种语义约束任务组合在一起的方法，其任务包括内容、边缘感知、局部纹理相似性方面等，另外，为更进一步改进模型性能，作者还提出了两种简单但功能强大的动态加权算法，其中自适应加权方案效果更好。

该多任务增强网络（MENET）基于UNET。在真实数据集和合成数据集的实验上证明，该网络实现了卓越的去雨效果，即使是大雨、甚至是条纹状雨效果也很不错。 

 而且该文提出的算法相比其他SOTA方法，速度也有大幅提升。

该文方法与其他State-of-the-art方法去雨效果的视觉比较：

可见，视觉效果上最接近Ground truth了！

图像去雨是个“病态”问题示例：

该文提出方法的网络架构：

消融实验分析：

TABLE II 是与其他SOTA算法的比较结果

除了效果好，相比其他算法速度也很快，

对于大小为224 x 224 的图像，该文算法仅需要0.6578s左右。

可视化效果比较：

文章转载至公众号“我爱计算机视觉”