面向紧凑单图像去雾的对比学习
计算机视觉与模式识别
2021-04-20 v1 人工智能
摘要
单图像去雾因严重的信息退化而是一个极具挑战的病态问题。然而，现有基于深度学习的去雾方法仅采用清晰图像作为正样本来引导去雾网络训练，而负向信息未被利用。此外，多数方法致力于通过增加深度与宽度来强化去雾网络，导致对计算与内存的显著需求。本文提出一种构建于对比学习之上的新颖对比正则化（CR），分别利用有雾图像与清晰图像作为负样本与正样本信息。CR 确保在表示空间中，复原图像被拉向清晰图像并推离有雾图像。进一步，考虑性能与内存存储间的权衡，我们基于类自编码器（AE）框架开发了紧凑去雾网络。其包含自适应 mixup 操作与动态特征增强模块，可分别受益于自适应保留信息流与扩展感受野以提升网络变换能力。我们将具自编码器与对比正则化的去雾网络命名为 AECR-Net。在合成与真实世界数据集上的大量实验表明，我们的 AECR-Net 超越了 SOTA 方法。代码发布于 https://github.com/GlassyWu/AECR-Net。
引用
@article{arxiv.2104.09367,
title = {Contrastive Learning for Compact Single Image Dehazing},
author = {Haiyan Wu and Yanyun Qu and Shaohui Lin and Jian Zhou and Ruizhi Qiao and Zhizhong Zhang and Yuan Xie and Lizhuang Ma},
journal= {arXiv preprint arXiv:2104.09367},
year = {2021}
}
备注
CVPR 2021 accepted paper. Code: https://github.com/GlassyWu/AECR-Net