暗面增强：为度量学习生成多样的夜间样本

基于 CNN 描述子的图像检索方法依赖于从大量多样的正负图像对示例中进行的度量学习。诸如夜间图像等训练数据可用性与多样性有限的领域，即便采用在标准基准上表现良好的方法，检索性能也较差。我们提出训练一个基于 GAN 的合成图像生成器，将已有的白天图像示例转换为夜间图像。该生成器在度量学习中作为一种增强形式使用，为稀缺领域提供训练数据。我们评估并分析了多种类型的生成器。我们贡献了一种新颖的轻量级 GAN 架构，通过边缘一致性强制原始图像与转换图像间的一致性。所提架构还允许同时训练一个在夜间与白天图像上均运行的边缘检测器。为了进一步增加训练样本的多样性并最大化训练模型的泛化能力，我们提出一种新颖的多样锚点挖掘方法。所提方法在标准 Tokyo 24/7 昼夜检索基准上超越了 SOTA 结果，同时在 Oxford 与 Paris 数据集上保持了性能。这在不需配对昼夜训练图像对的情况下得以实现。源代码见 https://github.com/mohwald/gandtr 。