6ms 的EfficientDeRain：颇具启发的简单高效去雨算法

分享一篇论文AAAI 2021录用论文 EfficientDeRain: Learning Pixel-wise Dilation Filtering for High-Efficiency Single-Image Deraining ，其提出了极其快速高效的图像去雨算法，平均 6ms 即可处理一幅图像，比之前的state-of-the-art方法（RCDNet，CVPR2020）快80倍！目前代码已开源。

论文作者信息：

作者团队来自南洋理工大学、日本九州大学、阿里巴巴、天津大学，通讯作者为九州大学的Lei Ma。

看一下该算法在Rain100H数据集上与其他算法的比较结果（以PSNR和SSIM为评价标准）：

可见在去雨效果上非常接近最好的结果，速度却是最快，非常难得！

去雨的视觉效果：

算法原理

该算法的原理非常简单，最重要的思想是把去雨看为图像的逐像素滤波问题。而滤波操作是高度优化的操作，在GPU上的实现必定非常快。

看懂下面这张图，即可完全理解作者的算法思想：

图像经深度卷积网络学习逐像素的卷积核参数，然后与原图做卷积即得最终的去雨后图像，训练的时候需要（有雨、无雨）的图像对。

作者指出，尽管上述思想没有问题，但因为逐像素卷积核大小的问题，如果只学习普通卷积核（即每个像素预测三个通道的3x(3x3)个参数）如上图中的（a）部分，对于雨条较大的图像很难取得满意的效果，因为毕竟卷积的过程是寻找周围非雨条像素赋以高权重的加权，卷积核如果没有覆盖到非雨条像素，肯定效果不好。

为在尺度上应对大雨条，所以作者做了改进，让神经网络预测多尺度的空洞卷积核，如（b）子图中是预测4个尺度的空洞卷积核，空洞卷积后再把结果加权，获得最终的去雨图像。

所以算法的核心思路可总结为：学习多尺度空洞卷积+图像加权融合。

因为上面所有步骤仅涉及现代GPU特别擅长的卷积操作，故速度非常快。

另外，在图像去雨领域，数量大、质量高的成对数据集是非常少的，所以作者发明了RainMix增广算法，简单一句话介绍就是雨条图像各种变换后再加权的数据增广方法。

下图表达了RainMix的核心思路：

实验结果

具体实验配置不再赘述，请看下图去雨的视觉效果：

可见，对比较难的情况，如头发、面部、含细丝的图像，该文算法取得了较好的视觉效果。

下表展示了在Raindrop数据集上的数值比较结果：

虽然 EfficientDeRain 数值上略逊于最好的方法，但已经很棒了，毕竟这可是快了80倍的算法！

下图是作者评估的算法各个部分对结果影响的比较：

可见空洞卷积、SSIM损失函数和RainMix都使去雨数值效果更好，但真正带来大幅效果提升的是数据增广方法RainMix。表中亦列出了计算时间，测试机器GPU为NVIDIA Quadro P6000。

这篇AAAI 2021 论文的核心思想并不难，可以说在速度上做到了去雨算法的极致，CV君以为其特别具有启发的一点是把去雨看为卷积问题，直接预测卷积核，对于其他图像恢复问题，亦可尝试。

作者已经开源了代码、数据和预训练模型，欢迎试用比较！

论文：https://arxiv.org/pdf/2009.09238.pdf

代码：https://github.com/tsingqguo/efficientderain

感谢作者开源~