비정형 데이터 기반 교차 시나리오 강우 제거 적응: 슈퍼픽셀 구조적 사전 정보 및 다단계 가상 강우 합성

Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis

이미지 강우 제거는 저수준 컴퓨터 비전 분야에서 중요한 역할을 하며, 안정적인 야외 감시 및 자율 주행 시스템의 전제 조건입니다. 딥 러닝 모델은 정렬된 환경에서는 뛰어난 성능을 보이지만, 실제 환경의 복잡한 물리적 현상과 합성 학습 데이터 간의 큰 차이로 인해 새로운 환경으로 일반화될 때 심각한 성능 저하를 겪습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 혁신적인 교차 시나리오 강우 제거 적응 프레임워크를 제안합니다. 기존 방식과 달리, 본 방법은 대상 도메인의 페어링된 강우 데이터 없이, 강우가 없는 배경 이미지만을 활용합니다. Simple Linear Iterative Clustering을 사용하여 소스 도메인에서 안정적인 구조적 사전 정보를 추출하는 Superpixel Generation (Sup-Gen) 모듈을 설계했습니다. 다음으로, 텍스처 유사성을 통해 이러한 소스 구조를 대상 배경과 정렬하는 Resolution-adaptive Fusion 전략을 도입하여 다양하고 현실적인 가상 데이터를 생성합니다. 마지막으로, 다단계 노이즈 생성 기법을 사용하여 실제 강우 현상을 모방하는 가상 레이블 재합성 메커니즘을 구현했습니다. 본 프레임워크는 다양한 강우 제거 모델에 쉽게 통합될 수 있는 다목적 모듈입니다. 최첨단 모델에 대한 광범위한 실험 결과, 본 방법은 OOD 환경에서 최대 32%에서 59%의 PSNR 향상을 보여주며, 학습 수렴 속도를 크게 향상시키는 것을 확인했습니다.

Image deraining plays a pivotal role in low-level computer vision, serving as a prerequisite for robust outdoor surveillance and autonomous driving systems. While deep learning paradigms have achieved remarkable success in firmly aligned settings, they often suffer from severe performance degradation when generalized to unseen Out-of-Distribution (OOD) scenarios. This failure stems primarily from the significant domain discrepancy between synthetic training datasets and the complex physical dynamics of real-world rain. To address these challenges, this paper proposes a pioneering cross-scenario deraining adaptation framework. Diverging from conventional approaches, our method obviates the requirements for paired rainy observations in the target domain, leveraging exclusively rain-free background images. We design a Superpixel Generation (Sup-Gen) module to extract stable structural priors from the source domain using Simple Linear Iterative Clustering. Subsequently, a Resolution-adaptive Fusion strategy is introduced to align these source structures with target backgrounds through texture similarity, ensuring the synthesis of diverse and realistic pseudo-data. Finally, we implement a pseudo-label re-Synthesize mechanism that employs multi-stage noise generation to simulate realistic rain streaks. This framework functions as a versatile plug-and-play module capable of seamless integration into arbitrary deraining architectures. Extensive experiments on state-of-the-art models demonstrate that our approach yields remarkable PSNR gains of up to 32% to 59% in OOD domains while significantly accelerating training convergence.