纪念一下第一篇仔细研究的论文
先简单梳理一下整个文章的逻辑，以及主要应用的方法。
以CNN为基础，通过ResNet激励简化学习过程，增加深度
clean image 和通过电脑合成的rainy image分别作为label与input，文中通过卷积层进行不断迭代，直至达到效果最优，既与clean image的SSIM值最大。
下图是论文提出的5种训练过程，其训练结果的图片与训练过程一一对应，其效果最好的便是论文中所提到的方法。
根据5个过程对比，final network的一大特点便是对于输入的图片进行了分解处理，下图为论文中展现的效果图
通过下面的柱状图可以很清晰的看到，通过这样的分解细节处理，把整个像素点的范围都缩小了，集中在一定范围之内，整个网络的效果得到提升。
这里的分解处理是通过导向滤波实现的，以自身作为引导图像，其实此时这个导向滤波就变成了一个Edge-perserving的滤波器。
当导向滤波就变成了边缘保持的滤波操作，此时原来求出的和的表达式就变成了：
考虑两种情况：
- 情况1：高方差区域，即表示图像在窗口中变化比较大，此时我们有，于是有和。
- 情况2：平滑区域（方差不大），即图像在窗口中基本保持固定，此时有，于是有和。
也就是说在方差比较大的区域，保持值不变，在平滑区域，使用临近像素平均（也就退化为普通均值滤波）。这也就是为什么会达到Edge-perserving的原因。
处理好输入图片，卷积BN。在CNN中，Batch就是训练网络所设定的图片数量batch_size。BN主要目的是为了解决梯度消失与梯度爆炸的问题。
关于BN的解释，可以参考这篇博客，真的写的非常好。https://blog.csdn.net/Fate_fjh/article/details/53375881
标准化后，采用relu函数，它的作用就是增加了网络各层之间的非线性关系，否则，如果没有激活函数，层与层之间是简单的线性关系，每层都相当于矩阵相乘，这是无法完成整个过程的。
final network的第二大特点便是采用ResNet。ResNet的特点，Residual，残差，名字就体现了，不学绝对值，而学差值。学习映射后相对于原来的偏差，即和identity的差值，绝对变相对。前向，容易学习，后向，有了梯度高速通道，更好训练，能避免梯度消失。
ResNet是通过引入一个深度残差学习框架来解决退化问题（degradation，就是指非常深的网络的性能反而比较浅的网络差，而且越深越差）。通过拟合残差映射来代替之前的拟合底层映射，假设我们最后要求的映射为H(x)，但求H(x)并不容易，我们转而去求F(x)≔H(x)-x，然后再通过F(x)+x来求解最后的H(x)。而残差的思想便是去掉相同的主体部分，从而突出微小的变化，可以理解为差分放大器。
到这里整个训练过程便结束了。
根据文章中的内容，我重新模拟了前面4种训练模型，论文中共进行了2100次迭代，由于时间原因，我每一个模型大约都只执行了40次左右的迭代，效果图如下。
不难看出最后一幅效果是比较不错的。