D2SL：解耦去雾与语义学习用于雾天域自适应分割
计算机视觉与模式识别
2024-04-09 v1 多媒体
摘要
我们研究了雾天场景下的域自适应语义分割，旨在增强对无标注雾天数据的利用，并提升模型对雾天条件的适应性。当前方法依赖清晰图像作为参考，联合学习雾天图像的去雾与分割。尽管取得了一定进展，但仍存在两个主要缺陷：(1) 分割与去雾特征表示的耦合，导致语义表示能力下降；(2) 未能利用无标注雾天数据中的真实雾先验，导致模型泛化能力不足。为解决这些问题，我们提出了一种新颖的训练框架——解耦去雾与语义学习（D2SL），旨在减轻去雾任务对最终分割任务的不利影响。在该框架中，我们引入了一种域一致迁移策略，以建立去雾与分割任务之间的联系。此外，我们设计了一种真实雾迁移策略，通过充分利用真实雾图像中的雾先验来改善去雾效果。我们的方法在去雾学习过程中增强了分割所需的语义表示，并通过有效利用真实雾数据最大化雾不变性的表示能力。全面的实验验证了所提方法的有效性。
引用
@article{arxiv.2404.04807,
title = {D2SL: Decouple Defogging and Semantic Learning for Foggy Domain-Adaptive Segmentation},
author = {Xuan Sun and Zhanfu An and Yuyu Liu},
journal= {arXiv preprint arXiv:2404.04807},
year = {2024}
}