在隐空间分离：无监督单图像图层分离
计算机视觉与模式识别
2019-09-10 v3
摘要
许多真实世界视觉任务，例如从透明表面去除反射和本征图像分解，都可以建模为单图像图层分离。然而，该问题高度不适定，需要精确对齐且难以收集的 triplet 数据来训练CNN模型。为解决此问题，本文提出一种无监督方法，训练时不需要真值数据 triplet。该方法的核心是关于不同图层隐空间中数据分布的两个假设，基于此可导出一种新颖的无监督图层分离流程。然后该方法可基于GANs框架构建，带有自监督和循环一致性约束等。实验结果证明了其在合成与真实世界任务中均成功优于现有无监督方法。该方法还展示了解决更具挑战性的多层分离任务的能力。
引用
@article{arxiv.1906.00734,
title = {Separate In Latent Space: Unsupervised Single Image Layer Separation},
author = {Yunfei Liu and Feng Lu},
journal= {arXiv preprint arXiv:1906.00734},
year = {2019}
}