用于域适应的互学习：基于样本循环的的自蒸馏图像去雾网络
计算机视觉与模式识别
2022-03-18 v1
摘要
基于深度学习的方法在图像去雾方面已取得显著成就。然而，大多数现有去雾网络集中于使用合成雾图训练模型，由于域偏移，在真实世界雾图上应用时泛化性能下降。本文中，我们提出一种用于域适应的互学习去雾框架。具体而言，我们首先设计两个孪生网络：合成域中的教师网络与真实域中的学生网络，然后通过利用EMA与联合损失以互学习方式优化它们。此外，我们设计了一种基于密度增强(HDA)模块的样本循环策略，将学生网络提供的伪真实世界图像对引入训练以进一步提升泛化性能。在合成与真实世界数据集上的大量实验表明，所提互学习框架在主观与客观评价上均优于最先进的去雾技术。
引用
@article{arxiv.2203.09430,
title = {Mutual Learning for Domain Adaptation: Self-distillation Image Dehazing Network with Sample-cycle},
author = {Tian Ye and Yun Liu and Yunchen Zhang and Sixiang Chen and Erkang Chen},
journal= {arXiv preprint arXiv:2203.09430},
year = {2022}
}