无位置约束的伪装生成网络
计算机视觉与模式识别
2022-03-21 v1
摘要
伪装是一种常见的视觉现象，指将前景物体隐藏到背景图像中，使其在肉眼看来短暂不可见。以往的工作通常通过迭代优化过程实现。然而，这些方法在以下方面存在困难：1）利用任意结构的前景与背景高效生成伪装图像；2）将前景物体伪装到具有多种外观的区域（例如植被与山体的交界处），这限制了它们的实际应用。为解决这些问题，本文提出一种新颖的无位置约束伪装生成网络（LCG-Net），该网络融合前景与背景图像的高层特征，并通过一次推理生成结果。具体而言，设计了一个位置对齐结构融合（PSF）模块，基于前景与背景的点对点结构相似性引导结构特征融合，并逐点引入局部外观特征。为保留必要的可辨识特征，在我们的流程中采用了一种新的沉浸损失（immerse loss），同时利用背景块外观损失确保隐藏物体在多种外观区域看起来连续且自然。实验表明，我们的方法在单一外观区域取得了与最先进方法同样令人满意的结果，且不易完全不可见，但在多种外观区域的质量远超最先进方法。此外，我们的方法比以往方法快数百倍。得益于该方法的独特优势，我们提供了一些伪装生成的下游应用，展示了其潜力。相关代码与数据集将发布于 https://github.com/Tale17/LCG-Net。
引用
@article{arxiv.2203.09845,
title = {Location-Free Camouflage Generation Network},
author = {Yangyang Li and Wei Zhai and Yang Cao and Zheng-jun Zha},
journal= {arXiv preprint arXiv:2203.09845},
year = {2022}
}