SMAE：基于饱和度感知掩码自编码器的少样本 HDR 去重影学习
计算机视觉与模式识别
2023-04-17 v1
摘要
近年来，利用深度神经网络（DNNs）从动态场景生成高质量高动态范围（HDR）图像得到了广泛研究。大多数基于 DNNs 的方法需要大量带真值的训练数据，这是一项繁琐且耗时的工作。少样本 HDR 成像旨在用有限的数据生成令人满意的图像。然而，现代 DNNs 在仅以少量图像训练时难以避免过拟合。在本工作中，我们提出一种新颖的半监督方法，通过两阶段训练实现少样本 HDR 成像，称为 SSHDR。与以往直接同时恢复内容并去除重影（难以达到最优）的方法不同，我们首先以自监督机制生成饱和区域的内容，然后通过迭代半监督学习框架处理重影。具体而言，考虑到饱和区域可被视为掩码的的低动态范围（LDR）输入区域，我们设计了一个饱和掩码自编码器（SMAE）来学习鲁棒的特征表示并重建非饱和的 HDR 图像。我们还提出了一种自适应伪标签选择策略，在第二阶段挑选高质量 HDR 伪标签，以避免错标样本的影响。实验表明，SSHDR 在不同数据集内和跨数据集上均在定量与定性上优于最先进的方法，以少量标注样本实现了引人注目的 HDR 可视化。
引用
@article{arxiv.2304.06914,
title = {SMAE: Few-shot Learning for HDR Deghosting with Saturation-Aware Masked Autoencoders},
author = {Qingsen Yan and Song Zhang and Weiye Chen and Hao Tang and Yu Zhu and Jinqiu Sun and Luc Van Gool and Yanning Zhang},
journal= {arXiv preprint arXiv:2304.06914},
year = {2023}
}
备注
accepted by CVPR2023