Rain Streak Removal Using Layer Priors（基于高斯混合模型的层先验去雨方法）总结
1.文章做出了哪些成果？： 在本文中，我们提出了一种有效的方法，使用简单的基于补丁的背景层和雨层的先验信息。这些先验是基于高斯混合模型的，能够适应雨带的多个方向和尺度。这种简单的方法比现有的定性和定量方法更好地去除雨纹。 2.前人成果有什么？改变了什么？改进的地方是什么？ 解决不适定问题的现有的图像分解方法要么采用字典学习方法，要么在雨条纹的出现上施加低秩结构。虽然这些方法可以提高整体可见性，但它们往往会在背景图像中留下过多的雨痕或使背景图像过于平滑（平滑的定义见笔记） Kang等人提出了一种将输入图像分解为低频分量（结构层）和高频分量（纹理层）的方法。高频分量包含背景对象的雨痕和边缘。该方法试图通过基于稀疏编码的HoG特征字典学习从高频层中分离出雨痕频率，通过将低频层和处理过的高频层合并得到输出。 改进点： 文章作者在图像分解的基础上，也是将输入图像分为背景层和雨纹层，不过作者在使用了背景层和雨纹层的先验来帮助图像分解，并且这些先验是居于GMMs模型的。（所以作者第对图像层施加的约束条件不同） 3.文章的创新之处？ ①本文是第一篇用高斯混合模型补丁先验去除雨水的论文。 ②在图像分解是，背景层和雨条纹层都加上了一定的约束条件（这样保证得出的结果不会太偏离预期） 4. 框架 核心算法如下： 算法1 利用层先验（优先级）去除雨痕 输入：输入图像O；两层GMMs：GB和GR； 初始化：