面向真实世界图像去雾的无源域自适应
计算机视觉与模式识别
2022-07-15 v1 人工智能
摘要
基于深度学习、在合成数据集上训练的源去雾方法取得了显著性能,但因域偏移在真实雾图上面面临急剧的性能下降。尽管已有若干域自适应 (DA) 去雾方法提出,它们不可避免地需要访问源数据集以缩小源合成域与目标真实域间的差距。为解决这些问题,我们提出一种新颖的无源无监督域自适应 (SFUDA) 图像去雾范式,其中仅有一个训练良好的源模型和一个无标签目标真实雾图数据集可用。具体而言,我们设计了域表示归一化 (DRN) 模块,使真实雾域特征的表示匹配合成域的表示以弥合差距。借助我们即插即用的 DRN 模块,无标签真实雾图可适配现有的训练良好的源网络。此外,应用无监督损失来引导 DRN 模块的学习,其由频率损失与物理先验损失组成。频率损失提供结构与风格约束,而先验损失探索无雾图像的内在统计特性。配备我们的 DRN 模块与无监督损失,现有源去雾模型能够去雾无标签真实雾图。在多个基线上的大量实验从视觉与定量上证明了我们方法的有效性与优越性。
引用
@article{arxiv.2207.06644,
title = {Source-Free Domain Adaptation for Real-world Image Dehazing},
author = {Hu Yu and Jie Huang and Yajing Liu and Qi Zhu and Man Zhou and Feng Zhao},
journal= {arXiv preprint arXiv:2207.06644},
year = {2022}
}
备注
Accepted to ACM MM 2022