圖像復原是利用退化過程的某些先驗知識建立相應的數學模型，通過求解逆問題對原始圖像進行估計進而復原被退化的圖像。但在退化過程中，噪聲和干擾因素同時存在，給圖像的復原帶來了諸多不確定性和挑戰。隨著深度學習研究熱潮的到來，圖像復原仍然是目前計算機視覺領域的重要方向，例如圖像去雨、圖像去霧和圖像去模糊等，是諸多高層視覺任務的重要預處理步驟。雨是最常見的動態惡劣天氣，因此本文重點探討圖像去雨任務。特別地，圖像去雨分為靜態單圖像去雨和動態序列圖像（即視頻）去雨。和視頻去雨相比，單圖像去雨由于缺乏時域信息因而更具挑戰性。圖1 展示了部分合成的雨圖像和真實的雨圖像的對比，從中可見真實雨圖中的雨紋信息是更加復雜的、多樣化的和多方向的，因此真實雨圖的復原任務更加具有挑戰性。

圖1 合成雨圖像和真實雨圖像的比較

1 單圖像去雨簡介

圖像去雨任務的數學問題可以簡單表示為

I=R+B （1）

即將雨圖I 分解為雨紋R 和干凈背景B，得到復原的干凈圖像。由于R 和B 均不可知，因此式（1）是一個病態問題。單圖像去雨方法大致分為基于模型+ 優化的方法（ 非深度學習） 和基于數據+訓練的方法（ 深度學習）。傳統去雨方法更多地依賴對雨紋的光學性質進行研究，通過對雨圖進行估計，建立雨紋的先驗模型，再通過函數進行優化。例如稀疏編碼和高斯混合模型等。

近年來，基于模型的傳統方法逐漸被深度學習方法所取代。和傳統去雨方法相比，深度學習去雨方法取得了顯著的性能提升，主要原因歸結于，深度神經網絡DNN 具有強大的特征學習能力和對圖像的映射能力；以及大量的訓練數據為DNN 提供了足夠的信息。深度學習去雨方法使用不同的DNN（ 如CNN、RNN 和GAN 等）來提取雨圖的層級特征和雨紋信息，得到從雨圖到清晰圖像的直接映射，即端到端的。為了訓練得到更好的深度去雨模型，與雨紋或背景相關的先驗知識也會被添加到網絡中，如雨紋掩模Mask 和雨紋密度信息等；也設計不同的基礎單元進行特征提取，如Residual Dense Block、Contextualized Dilated Block 和Spatial Attentive Module。此外，不同的深度網絡被提出，如循環架構和遞歸架構。

按照配對信息的數量和訓練方式，目前的單圖像深度學習去雨方法可分為全監督、無監督和半監督三種。圖2 展示了部分配對圖像和不成對圖像。全監督方法的訓練數據均為成對數據。但是真實應用中采集的數據都是無標簽的，即沒有真值圖像，因此只使用部分甚至零配對數據的無監督和半監督去雨方法將具有更大的優勢，可以有效緩解配對數據受限問題。三種去雨模式的方法框架見圖3。

圖2 配對圖像和不成對圖像的對比

圖3 全監督/ 無監督/ 半監督訓練方式的示意圖

目前大部分的深度學習去雨方法均是全監督訓練模式。但是由于現實中的雨圖不成對，目前主要通過人工加雨紋的方式制造配對數據；然而人工合成的雨紋與真實的雨紋差異很大，因此訓練的模型在真實去雨任務上無法取得令人滿意的結果，即泛化能力差。因此，本文主要圍繞無監督與半監督單圖像深度學習去雨研究的最新進展進行簡要介紹。

2 無監督單圖像深度學習去雨

由于沒有配對數據，無監督去雨方法的研究難度更大，因此到目前為止此類方法仍然很少，代表性的幾個無監督深度網絡模型包括RRGAN、UD-GAN 和DerainCycleGAN。這些基于GAN 的深度方法提出不使用成對訓練數據的端到端的單去雨模型，通過深度網絡加特定的物理模型或先驗知識提取雨紋信息，得到去雨圖像。下面， 將分別對RR-GAN、UD-GAN 和Derain-CycleGAN 進行簡要介紹。

RR-GAN 的網絡架構，由一個多尺度的注意力記憶生成器MAMG 和一個多尺度的深度監督鑒別器MDSD 組成。其中，MAMG 循環遞歸地利用具有注意機制的記憶模塊不斷獲取更加精確的雨紋信息，接著將原始雨圖和雨紋圖一起輸入到U-Net 中得到復原圖像。通過MDSD 對復原的圖像進行真假判斷，使其外觀盡可能接近于無雨圖像。RR-GAN 除了使用GAN 的傳統損失函數，還加入了一個重構損失函數，度量提取的雨紋加去雨得到的圖片與原始雨圖的歐氏距離。作者分別測試了在成對數據和不成對數據兩種情況下得到的去雨性能。從結果看，監督模式的效果并沒有明顯優于無監督模式的效果。對于這一點，作者并沒有給出確切原因。可能的原因是MDSD 只會對圖片是否有雨進行真假判別，而不會對圖像是否相似進行判別。

UD-GAN 提出一個無監督的生成對抗網絡來處理單圖像去雨，通過引入自監督約束解決無配對數據受限的問題。自監督學習目前受到了深度學習領域的青睞和廣泛關注，Yann LeCun 在AAAI 2020 論文“Self-Supervised Learning” 中再次強調了自監督學習的重要性。關于自監督學習的具體細節，可查閱《中國人工智能學會通訊》2020年第10卷第1期中陳松燦教授的《自監督學習的最新進展與展望》一文。具體地，UDGAN設計了兩個協同優化模塊，即雨紋引導模塊RGM 和背景引導模塊BGM，來充分學習雨圖特征。其中，RGM用于區分真實雨圖和基于BGM生成器輸出的假雨圖，此功能與RR-GAN中的重構損失函數類似。BGM采用高斯模糊處理原始雨圖和輸出的無雨圖像，通過計算不同程度的高斯模糊后的梯度誤差來確保輸入輸出內容的一致性，效果類似于使用vgg16或者vgg19網絡提取特征后的感知損失。此外，由于輸出的去雨圖像與原圖存在亮度差異，還引入了亮度增強的干凈圖片作為負樣本，并將亮度對抗損失函數集成到鑒別器中。相對于RR-GAN的單個生成器和判別器，UD-GAN利用了CycleGAN的循環一致性結構，使用了兩種生成器和兩種判別器，可以使圖片從有雨域到無雨域再到有雨域進行轉化。該方法在合成數據和真實數據上都取得了不錯的去雨結果。當同時利用合成數據和真實數據時，去雨效果甚至可超越部分全監督學習去雨模式。

DerainCycleGAN構建了一個雙支路網絡進行無監督去雨，可分別處理和利用有雨圖片域和無雨圖片域中的信息。具體地，提出一種基于無監督注意力引導的雨紋信息提取器U-ARSE，同時對有雨圖像域和無雨圖像域進行雨紋識別和提取，通過U-ARSE內的循環遞歸來實現。提取出的雨紋信息（從有雨圖像中提取的是雨紋掩模信息，從無雨圖像中提取的是空白信息）與原始圖片一同輸入到對應的生成器中分別生成去雨后圖像和加雨圖像，然后繼續生成重構的原始圖像。為了優化U-ARSE，設計了一個物理先驗來約束雨紋信息，并使用了較全面的損失函數來約束整個網絡。和RR-GAN、UD-GAN相比，該網絡同樣使用了兩種生成器和兩種判別器，但是RR-GAN和UD-GAN是直接利用單路結構進行無監督學習，而DerainCycleGAN采用了雙路結構。由于利用了干凈圖片域的信息，進一步提高了去雨效果。此外，DerainCycleGAN還利用第二條支路來自動生成了帶雨圖片。與現有的合成數據相比，新生成的雨紋具有更多的方向和形狀，更加接近真實雨紋信息。作者通過對比試驗驗證了在新數據集上訓練模型，在真實去雨任務中具有更好的效果。

3 半監督單圖像深度學習去雨

半監督去雨方法除了使用合成數據，還增加了真實數據進行聯合訓練。由于合成數據和真實數據的差異較大，如何進行有效的約束和建立兩個域間的聯系是個很大挑戰。因此，針對半監督去雨方法的研究也非常少，代表性的方法包括半監督遷移學習算法SIRR 和Semi-DerainGAN 算法等。接下來，將分別對SIRR 和Semi-DerainGAN的網絡架構進行簡要介紹。

SIRR使用了CNN同時處理合成圖像數據和真實數據。對于合成數據直接采用傳統的網絡輸出圖像， 與干凈圖像間的最小二乘損失（MSEloss）進行約束。對于真實數據，通過在真實圖片殘差（即真實雨圖減去真實輸出圖像）的基礎上設計參數化分布的似然項來約束去雨效果。最后，通過合成圖片的殘差（即合成帶雨圖像減去對應的無雨圖像）與真實圖片的殘差之間的相對熵（即KL 散度）來約束合成圖像域與真實圖像域的去雨效果。SIRR通過監督模式下的合成雨紋信息學習來指導無監督模式下的真實雨紋信息學習，緩解了合成數據不足與樣本偏差的問題。SIRR還使用了高斯混合模型（GMM）來模擬真實雨紋，以及使用EM算法來進行求解，具有一定的指導意義。但是合成圖像和真實圖像中的雨紋信息差異通常很大，因此通過添加合成雨紋域和真實雨紋域之間的約束（即減少合成殘差與真實殘差之間的KL距離）來訓練一個共用的深度網絡可能不合適。因為該過程會導致對合成數據中提取的雨紋信息進行蒸餾，降低了監督網絡的精準度，使得該SIRR 模型在處理大雨情況下的圖像去雨任務時會留下較多的雨紋信息。

為了解決上述問題，Semi-DerainGAN提出了一種新的基于半監督模式的深度單圖像去雨網絡。該網絡提出一種基于共享參數的半監督雨紋信息學習器SSRML，可以同時訓練合成數據和真實數據，使得真實圖像能提供更多的雨紋信息。該方法使用兩個獨立的深度網絡生成器分別進行合成數據和真實數據的去雨操作，可減輕在一個深度網絡中進行去雨所造成的知識沖突和學習力下降的問題。引入的第三個生成器可以進一步對真實數據的去雨結果進行重構，加強有雨域和無雨域圖片的生成轉化。對于全監督子網絡中的合成數據，使用了傳統的對抗損失、結構相似性損失和感知損失等；對于無監督子網絡中的真實數據，使用了對抗損失、TV 正則化、感知損失和循環一致性損失。為了獲得更好的去雨效果，針對性地設計了一個成對圖片鑒別器，可區分合成數據中的真假圖片對。與SIRR 相比，Semi-DerainGAN 在合成數據集和真實數據集上都取得了更好的實驗結果。但是，由于合成數據和真實數據中所包含的雨紋信息差異大，以及全監督和半監督訓練中約束條件的不平衡，使用基于兩條對稱支路的訓練可能會導致收斂較慢的情況。

4 結束語

現有對單圖像深度學習去雨方法的研究主要集中在全監督模式上，通過使用深度神經網絡結合人工先驗的方式，對合成數據中雨紋（滴）的分布進行擬合，訓練出一個端到端的去雨網絡。這些方法一方面無法利用真實圖像數據進行訓練，另一方面也無法很好地泛化到真實去雨任務中。無監督和半監督的單圖像深度學習去雨方法可以有效彌補這些不足，但是由于可用的先驗信息少，因而研究難度更大，關于此類研究工作目前還處于起步階段，相關方法還比較少，未來還有很大的研究空間。此外，單圖像雨域和非雨域間的遷移學習、圖像領域和視頻領域去雨的遷移學習等將是未來圖像去雨研究值得關注的一些方向。