prenet.md

PReNet

1 简介

Progressive Image Deraining Networks: A Better and Simpler Baseline提出一种多阶段渐进的残差网络，每一个阶段都是resnet，每一res块的输入为上一res块输出和原始雨图，另外采用使用SSIM损失进行训练,进一步提升了网络的性能，网络总体简洁高效，在各种数据集上表现良好,为图像去雨提供了一个很好的基准。

2 如何使用

2.1 数据准备

数据集(RainH.zip) 可以在此处下载,将其解压到./data路径下。

数据集文件结构如下:

  ├── RainH
      ├── RainTrainH
      |    ├── rain
      |    |    ├── 1.png
      |    |    └── 2.png
      |    |        .
      |    |        .
      |    └── norain
      |        ├── 1.png
      |        └── 2.png
      |            .
      |            .
      └── Rain100H
          ├── rain
          |    ├── 001.png
          |    └── 002.png
          |        .
          |        .
          └── norain
              ├── 001.png
              └── 002.png
                  .
                  .

2.2 训练和测试

训练模型：

   python -u tools/main.py --config-file configs/prenet.yaml

测试模型：

   python tools/main.py --config-file configs/prenet.yaml --evaluate-only --load ${PATH_OF_WEIGHT}

3 实验结果展示

实验数值结果是在 RGB 通道上进行评估，并在评估之前裁剪每个边界的尺度像素。

度量指标为 PSNR / SSIM.

模型	Rain100H
PReNet	29.5037 / 0.899

可视化展示： 输入：

输出：

4 模型参数下载

模型	数据集
PReNet	RainH.zip

参考

• 1. Progressive Image Deraining Networks: A Better and Simpler Baseline

@inproceedings{ren2019progressive,
   title={Progressive Image Deraining Networks: A Better and Simpler Baseline},
   author={Ren, Dongwei and Zuo, Wangmeng and Hu, Qinghua and Zhu, Pengfei and Meng, Deyu},
   booktitle={IEEE Conference on Computer Vision and Pattern Recognition},
   year={2019},
 }