基于高斯过程的半监督图像去雨
计算机视觉与模式识别
2020-09-29 v1
摘要
近期基于CNN的图像去雨方法在重建误差与视觉质量方面取得了优异性能。然而这些方法存在局限，即只能在有全标注数据上训练。由于获取真实世界全标注图像去雨数据集面临诸多挑战，现有方法仅在合成生成数据上训练，因而对真实图像的泛化能力差。文献中相对少有探索在训练图像去雨网络时使用真实世界数据。我们提出了一种基于高斯过程的半监督学习框架，使网络能利用合成数据集学习去雨，同时利用无标注真实图像更好地泛化。更具体地，我们使用高斯过程对无标注数据的潜空间向量建模，并据此计算伪真值以在无标注数据上监督网络。通过在多个具挑战性数据集（如Rain800、Rain200L与DDN-SIRR）上的大量实验与消融，我们表明所提方法能有效利用无标注数据，从而相较仅用标注训练取得显著更优性能。此外，我们证明了在所提基于GP的框架中使用无标注真实图像可带来
引用
@article{arxiv.2009.13075,
title = {Semi-Supervised Image Deraining using Gaussian Processes},
author = {Rajeev Yasarla and V. A. Sindagi and V. M. Patel},
journal= {arXiv preprint arXiv:2009.13075},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with 2006.05580