基于循环对比对抗学习的无监督图像去雾方法
计算机视觉与模式识别
2024-07-17 v1
摘要
为解决单图像去雾(SID)中拟合真实数据对的困难问题，近期的无监督方法取得了显著成果。然而，这些方法常因缺乏对语义表示和图像内容的关注，导致难以生成高质量的无雾图像，进而无法有效分离内容与雨层。本文提出一种新型循环对比生成式对抗网络用于无监督SID，称为 CCLGAN。该框架结合循环对比学习(CCL)和位置对比学习(LCL)。CCL 通过在语义空间和判别空间中将相似特征拉近、将 dissimilar 特征推远，提高图像重建和雨层去除效果。同时，LCL 通过约束不同示例中相同位置处的互信息来保留内容信息。实验表明，CCLGAN 显示出优异的性能，广泛的实验验证了 CCLGAN 的优势及其各组件的有效性。
引用
@article{arxiv.2407.11750,
title = {Cycle Contrastive Adversarial Learning for Unsupervised image Deraining},
author = {Chen Zhao and Weiling Cai and ChengWei Hu and Zheng Yuan},
journal= {arXiv preprint arXiv:2407.11750},
year = {2024}
}