评估 COPY-BLEND 增强在低层视觉任务中的效果
计算机视觉与模式识别
2021-03-11 v1
摘要
基于区域修改的数据增强技术已证明可通过促使底层算法关注多个判别性特征，从而提升高层视觉任务（目标检测、语义分割、图像分类等）的性能。然而，由于这些技术破坏了与邻域的空间关系，当将其用于训练面向低层视觉任务（低光图像增强、图像去雾、去模糊等）的算法时，性能可能下降，因为恢复区域与邻域间的纹理一致性对确保有效性能至关重要。本文中，我们检验了一种简单 copy-blend 数据增强技术的效能：该技术从噪声图像复制块并混合到干净图像上，反之亦然，以确保底层算法定位并恢复受影响区域，从而提升恢复图像的感知质量。为评估性能提升，我们结合不同基于区域修改的增强技术开展了大量实验，并报告了诸如在低光图像增强、图像去雾和图像去模糊等任务中性能提升、训练数据需求降低及更早收敛等观察结果，且未对基线算法做任何修改。
引用
@article{arxiv.2103.05889,
title = {Evaluating COPY-BLEND Augmentation for Low Level Vision Tasks},
author = {Pranjay Shyam and Sandeep Singh Sengar and Kuk-Jin Yoon and Kyung-Soo Kim},
journal= {arXiv preprint arXiv:2103.05889},
year = {2021}
}