单目反射移除的可逆解耦网络
计算机视觉与模式识别
2025-04-01 v2
摘要
近期基于深度学习的单目反射移除方法取得了显著进展，主要基于两个原因：1) 利用 recognition 预训练特征作为输入，2) 设计双流交互网络。然而，根据信息瓶颈原理，高层次语义线索在逐层传播过程中倾向于被压缩或丢弃。此外，双流网络中的交互在不同层之间遵循固定模式，限制了整体性能。为解决这些限制，我们提出一种新型架构称为可逆解耦网络（RDNet），其采用可逆编码器以确保宝贵信息的同时，在前向传播期间灵活地解耦传输和反射相关特征。此外，我们定制了一种传输率感知的提示生成器，以动态校准特征，进一步提升性能。广泛的实验表明，RDNet 在五个广泛采用的基准数据集上优于现有 SOTA 方法。在 NTIRE 2025 单目野外反射移除挑战赛中，RDNet 在保真度和感知比较方面均取得最佳成绩。我们的代码可在 https://github.com/lime-j/RDNet 查看。
引用
@article{arxiv.2410.08063,
title = {Reversible Decoupling Network for Single Image Reflection Removal},
author = {Hao Zhao and Mingjia Li and Qiming Hu and Xiaojie Guo},
journal= {arXiv preprint arXiv:2410.08063},
year = {2025}
}
备注
To appear at CVPR 2025