基于可靠库对比半监督学习的水下图像复原
计算机视觉与模式识别
2023-04-05 v4
摘要
尽管近期的水下图像复原技术取得了显著成就，标注数据的缺乏已成为进一步发展的主要障碍。本工作中，我们提出一种基于均值教师（mean-teacher）的半监督水下图像复原（Semi-UIR）框架，将无标注数据引入网络训练。然而，朴素均值教师方法存在两个主要问题：（1）当教师模型预测错误时，训练中使用的一致性损失可能失效。（2）使用 L1 距离可能导致网络过拟合错误标签，引发确认偏差（confirmation bias）。为解决上述问题，我们首先引入一个可靠库（reliable bank）来存储“史上最佳”输出作为伪真值。为评估输出质量，我们基于单调性性质进行实证分析，以选出最可信的无参考图像质量评价（NR-IQA）方法。此外，针对确认偏差问题，我们引入对比正则化以防止对错误标签的过拟合。在含全参考与无参考水下基准上的实验结果表明，我们的算法在定量与定性上均较 SOTA 方法有明显提升。代码已发布于 https://github.com/Huang-ShiRui/Semi-UIR。
引用
@article{arxiv.2303.09101,
title = {Contrastive Semi-supervised Learning for Underwater Image Restoration via Reliable Bank},
author = {Shirui Huang and Keyan Wang and Huan Liu and Jun Chen and Yunsong Li},
journal= {arXiv preprint arXiv:2303.09101},
year = {2023}
}
备注
CVPR2023