DSAL-GAN：基于去噪的生成对抗网络显著性预测
计算机视觉与模式识别
2019-04-03 v1
摘要
从含噪图像合成高质量显著性图是计算机视觉中一个具有挑战性的问题，并有许多实际应用。现有显著性检测技术生成的样本无法平滑处理噪声扰动，且难以勾勒出给定场景中的显著物体。本文提出一种新颖的端到端耦合的基于去噪的带生成对抗网络（DSAL-GAN）显著性预测框架，以解决含噪图像中显著物体检测问题。DSAL-GAN由两个端到端训练的生成对抗网络（GAN）组成，以整体方式同时执行去噪与显著性预测。第一个GAN包含一个对含噪输入图像去噪的生成器，其判别器对应部分用于判断输出是去噪图像还是真实原始图像。第二个GAN利用基于对抗损失的显著性预测方法的数据驱动度量，从输入去噪图像的原始像素预测显著性图。还引入了循环一致性损失以进一步改善显著区域预测。我们通过综合评估表明，所提框架在多个性能基准上优于若干基线显著性模型。
引用
@article{arxiv.1904.01215,
title = {DSAL-GAN: Denoising based Saliency Prediction with Generative Adversarial Networks},
author = {Prerana Mukherjee and Manoj Sharma and Megh Makwana and Ajay Pratap Singh and Avinash Upadhyay and Akkshita Trivedi and Brejesh Lall and Santanu Chaudhury},
journal= {arXiv preprint arXiv:1904.01215},
year = {2019}
}