DAMix：一种面向域偏移下单图像去雾的密度感知Mixup增强
计算机视觉与模式识别
2022-03-16 v2
摘要
近年来，基于深度学习的方法在单图像去雾上取得了可观的成功。然而，这些方法在面临域偏移时往往出现性能下降。具体而言，现有数据集间存在雾密度差异，常导致这些方法跨数据集测试时表现不佳。为解决此问题，我们提出一种密度感知mixup增强（DAMix）。DAMix生成样本以试图最小化与目标域中雾图之间的Wasserstein距离。这些经DAMix处理的样本不仅缓解了域差距，还被证明符合大气散射模型。因此，DAMix在域适应上取得了全面改进。此外，我们表明DAMix有助于数据效率。具体而言，使用一半源数据集并配合DAMix训练的网络，其适应性甚至优于使用全部源数据集但不使用DAMix训练的网络。
引用
@article{arxiv.2109.12544,
title = {DAMix: A Density-Aware Mixup Augmentation for Single Image Dehazing under Domain Shift},
author = {Chia-Ming Chang and Tsung-Nan Lin},
journal= {arXiv preprint arXiv:2109.12544},
year = {2022}
}