面向物理感知单图像去雾的课程化对比正则化
计算机视觉与模式识别
2023-06-02 v2
摘要
考虑到病态性质，对比正则化已被用于单图像去雾，引入来自负图像的信息作为下界。然而，对比样本是非共识的，因为负样本通常表示为远离清晰（即正）图像，使得解空间仍约束不足。此外，深度去雾模型相对于雾化过程的物理可解释性未被充分探索。本文中，我们提出一种新颖的课程化对比正则化，旨在共识对比空间而非非共识空间。我们的负样本能提供更优下界约束，可由 1）有雾图像，以及 2）其他现有方法的对应复原结果组装而成。进一步，由于清晰图像与负样本嵌入间相似度不同，多组件的学习难度本质不平衡。为解决此问题，我们定制课程学习策略以重加权不同负样本的重要性。此外，为提升特征空间可解释性，我们根据大气散射模型构建物理感知双分支单元。借助该单元及课程化对比正则化，我们建立了名为 C2PNet 的去雾网络。大量实验表明，我们的 C2PNet 显著优于 SOTA 方法，在 SOTS-indoor 与 SOTS-outdoor 数据集上分别取得 3.94dB 与 1.50dB 的极大 PSNR 提升。
引用
@article{arxiv.2303.14218,
title = {Curricular Contrastive Regularization for Physics-aware Single Image Dehazing},
author = {Yu Zheng and Jiahui Zhan and Shengfeng He and Junyu Dong and Yong Du},
journal= {arXiv preprint arXiv:2303.14218},
year = {2023}
}
备注
This paper is accepted by CVPR2023