利用错位训练数据与网络增强的单图像反射去除

去除透过玻璃窗拍摄的单幅图像中不必要的反射对视觉计算系统具有实际重要性。尽管最先进的方法在某些情况下能获得不错的结果，但在处理更一般的真实世界案例时性能显著下降。这些失败源于单图像反射去除的内在困难——问题固有的病态性，以及基于学习的神经网络流程中解决此歧义所需的密集标注训练数据的不足。在本文中，我们通过利用针对性的网络增强和新颖的错位数据使用来解决这些问题。对于前者，我们通过嵌入能够利用高层上下文线索来减少强反射区域内不确定性的上下文编码模块来增强基线网络架构。对于后者，我们引入了一种对齐不变损失函数，便于利用更易收集的真实世界错位训练数据。实验结果共同表明，我们的方法在对齐数据上优于最先进技术，并且在使用额外错位数据时可能获得显著改进。