Regenbilder beeinträchtigen die Leistung und Genauigkeit von Computer-Vision-Aufgaben. Regenbilder enthalten oft Regentropfen oder Regenstreifen aus verschiedenen Richtungen, Größen und Formen. Bei der Entfernung dieser Tropfen und Streifen berücksichtigen bestehende Methoden oft nicht die Merkmalsinformationen auf unterschiedlichen feinen Skalen von Regenbildern. Die Verwendung einer einzigen Skala zur Regenentfernung ist daher sehr fehlerhaft und kann keine ausreichend klaren Bilder für visuelle Aufgaben wiederherstellen. Profitierend von den starken Merkmalextraktionsfähigkeiten von Convolutional Neural Network-Architekturen schlägt diese Arbeit einen end-to-end mehrstufigen, kaskadierenden Faltungsoperator vor. Dieser Operator enthält 4 Faltungsschichten, die stufenförmig verbunden sind, um ein Gesamtmodul zu bilden, das Merkmale von Regenbildern auf mehreren Skalen extrahieren und integrieren kann. Das Operator-Modul wird in eine progressive rekurrente Netzwerkstruktur eingebettet und verwendet die rekurrente Struktur, um Regenstreifen mehrmals zu entfernen und schließlich ein nahezu reales, regenfreies Bild effektiv wiederherzustellen. Die Methode wurde auf den vorhandenen künstlich synthetisierten Regendatensätzen Rain100H, Rain100L, Rain800 und dem synthetischen Regendatensatz für den Bereich des autonomen Fahrens BDD1000 verglichen. Die Experimente zeigen, dass der Algorithmus PSNR-Werte von 30,70, 37,91, 27,63, 35,74 dB und SSIM-Werte von 0,914, 0,980, 0,894, 0,977 auf den vier Datensätzen erreichte. Die Visualisierung der Regenentfernungs-Ergebnisse auf echten Regendatensätzen bestätigt die Effektivität der Methode bei der Regenentfernungsaufgabe voll und ganz.

Bild-Regenentfernung;mehrstufige kaskadierende Faltungsstruktur;Faltungsneuronales Netzwerk;Deep Learning;Mehrskalenmerkmale;Reststruktur