摘要
论文
代码
这个题目有点像CVPR2020的论文名称：《Structure-Preserving Super Resolution With Gradient Guidance》
要解决的问题是：虽然现有的CNN-based方法可以去除部分雨纹，但它们很难适应真实场景，并恢复出清晰准确的结构、高质量的无雨图像。本文为了解决这一问题，提出了一个Structure- Preserving Deraining Network (SPDNet) with RCP guidance。SPDNet在RCP的指导下直接生成结构清晰准确的高质量无雨图像，不依赖任何雨合成假设。
具体而言，我们发现，图像的RCP比雨图像包含更准确的结构信息。因此，我们将其引入到我们的去雨网络中，以保护无雨图像的结构信息。同时，提出了一种基于小波的多级模块（WMLM）作为雨天图像背景信息学习的主干网络，并设计了一种交互式融合模块（IFM）以充分利用RCP信息。此外，还提出了一种迭代指导策略，以逐步提高RCP的精度，在渐进路径中细化结果。实验结果在真实场景和合成数据集上都达到了SOTA。
方法
网络结构
SPDNet使用基于小波的特征提取主干作为主要结构，并引入了残差通道先验（RCP）指导机制来保持结构。在SPDNet中，基于小波的特征提取主干用于背景信息的学习，它由一系列基于小波的多级模块（WMLM）组成。然而，仅使用基于小波的特征提取主干很难保持重建图像的清晰结构。因此，在模型中引入RCP以提供额外的辅助信息，从而保留重建图像的结构信息。
Wavelet-based Feature Extraction Backbone
由于雨线的大小和密度是任意的，因此雨线图像中物体的遮挡区域和遮挡程度是未知的。multi-level strategy 可以很好地学习不同尺度的特征。直接采用下采样会造成信息损失，因此采用小波变换，而且小波变换可以捕捉频域和位置信息，有助于结果重建。具体结构图里画的很清楚。细节：
- SE-ResBlock就是做超分的RCAN里面的RCAB，SRiR就是RCAN里面的Residual Group
- 因为小波变换后的通道数发生变化，后面要+的时候用卷积进行通道变换。
RCP Guided Structure-Preserving Deraining
Figure2是文中提到的Residue Channel Prior的可视化，可以看到，雨图的RCP展现的却是背景信息，妙！这个有助于结果的重建。这个RCP计算起来呢也非常简单：which is the residual result of the maximum channel value and minimum channel value of the rainy image.也就是雨图（注意是雨图而不是特征图）的通道值得极差。
上图是原文里面关于RCP的理论依据来源。雨图的RCP计算出来以后，经过卷积变换，交给IFM模块。这个模块融合两部分的信息。
Interactive Fusion Module
结构如图5所示。文中所讲上下特征经过conv_3*3变换以后相乘，得到一个similarity map ，这里的相乘是element-wise的，然后经过sigmoid激活后再分别和自身特征相乘与相加。（作者可以把符号这些东西也标到图中，会更明了一些）
Iterative Guidance Strategy
从网络结构可以看到，中途会产生过程图像，继而产生新的RCP，如此的迭代指导有助于结果的重建。此外还发现，在每次计算RCP的时候会将之前阶段的特征也cat起来，也就是图中的skip-connection，在文中被称为ensemble learning，在消融实验中做了和其他方法的对比。Figure 6展示的是RCP随着图像质量的提升，也逐渐清晰。
loss
L2,多阶段都使用。
实验
和SOTA对比
在合成的以及真实数据集上效果都很好。速度也还不错。
Ablation Study
Table 3和4展示的是IFM结构设计和ensemble 以及小波变换模块个数的实验。
Table 5展示的是RCP指导的影响。Figure10是可视化的结果。
同时，文章还做了在目标检测上的实验。