LMT-GP：基于潜在均值教师和高斯过程的半监督低光图像增强
计算机视觉与模式识别
2024-08-30 v1
摘要
虽然近期的低光图像增强（LLIE）方法取得了显著进展，但在复杂场景下仍面临视觉质量低和泛化能力弱的挑战。为此，我们提出一种基于潜在均值教师和高斯过程的半监督方法，称为LMT-GP。我们首先设计一种潜在均值教师框架，将有标签数据、无标签数据及其潜在向量整合进模型训练。同时，我们采用均值教师辅助的高斯过程学习策略，在有标签数据和无标签数据获取的潜在向量之间建立联系。为引导学习过程，我们利用辅助高斯过程回归（GPR）损失函数。此外，我们设计了伪标签适应模块（PAM），确保网络学习的可靠性。为展示方法的泛化能力和有效性，我们将其应用于多个LLIE数据集和高层视觉任务。实验结果表明，我们的方法实现了高水平的泛化性能和图像质量。代码已公开于https://github.com/HFUT-CV/LMT-GP。
引用
@article{arxiv.2408.16235,
title = {LMT-GP: Combined Latent Mean-Teacher and Gaussian Process for Semi-supervised Low-light Image Enhancement},
author = {Ye Yu and Fengxin Chen and Jun Yu and Zhen Kan},
journal= {arXiv preprint arXiv:2408.16235},
year = {2024}
}