【技术实现步骤摘要】
本专利技术涉及图像处理，更具体的，涉及一种对比学习图像去雨模型训练方法、去雨方法和存储介质。
技术介绍
1、随着人工智能和计算机视觉的快速发展和广泛应用，高质量的图像已成为智能监控、自动驾驶等视觉系统的基础保障。然而在实际应用中，雨、雪、雾等天气不仅造成图像模糊、对比度下降，还会产生虚假的纹理特征，严重影响了后续的图像分析与决策。
2、随着深度学习技术的快速发展，各种创新的神经网络架构不断涌现，当前主流的去雨方法主要采用端到端的监督学习策略，通过构建雨图与无雨图的像素级映射关系来训练网络。
3、然而，这些方法通常直接对去雨后的背景层施加约束，使其尽可能接近真实的无雨图像，单一维度的约束往往难以完全捕捉雨纹与背景的复杂交互关系。
技术实现思路
1、本专利技术的目的是提供一种对比学习图像去雨模型训练方法、去雨方法和存储介质，通过对雨层和图像层进行交替迭代求解，进行对比损失约束，能够更好地区分雨层和图像层，最终实现雨层与图像层的分离。
2、本专利技术第一方面提...
【技术保护点】
1.一种对比学习图像去雨模型训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种对比学习图像去雨模型训练方法，其特征在于，所述去雨模型的目标函数如下：
3.根据权利要求2所述的一种对比学习图像去雨模型训练方法，其特征在于，固定雨层，迭代优化背景层，具体包括：
4.根据权利要求3所述的一种对比学习图像去雨模型训练方法，其特征在于，固定背景层，迭代优化雨层，具体包括：
5.根据权利要求4所述的一种对比学习图像去雨模型训练方法，其特征在于，基于特征提取网络提取迭代优化后的背景层和雨层的高维特征计算对比损失值，具体
...
【技术特征摘要】
1.一种对比学习图像去雨模型训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种对比学习图像去雨模型训练方法，其特征在于，所述去雨模型的目标函数如下：
3.根据权利要求2所述的一种对比学习图像去雨模型训练方法，其特征在于，固定雨层，迭代优化背景层，具体包括：
4.根据权利要求3所述的一种对比学习图像去雨模型训练方法，其特征在于，固定背景层，迭代优化雨层，具体包括：
5.根据权利要求4所述的一种对比学习图像去雨模型训练方法，其特征在于，基于特征提取网络提取迭代优化后的背景层和雨层的高维特征计算对比损失值，具体包括：
6.根据权利要求5所述的一种对比学习图像去雨模型训练方法，其特征在于，基于所述高维特征、所述原始有雨图像和所述对比损失值计算总损失值，具体包括：
7.一种对比学习图像去雨模型训练系统，其特征在于，包括存储器和处理器，所述存储器中...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。