SSHNet：基于问题重构与分解优化的无监督跨模态异构估计

我们提出一种新颖的无监督跨模态异构估计学习框架，命名为Split Supervised Homography estimation Network（SSHNet）。SSHNet 将无监督跨模态异构估计重新表述为两个监督子问题，分别由各自专用的网络解决：一个异构估计网络和一个模态转换网络。为实现稳定训练，我们引入有效的分解优化策略，在各自子问题中分别训练每个网络。我们还提出额外的异构特征空间监督以增强特征一致性，进一步提升估计精度。此外，我们采用一种简单而有效的蒸馏训练技术，以减少模型参数并提高跨域泛化能力，同时保持可comparable的性能。SSHNet的训练稳定性使其能够与各种异构估计架构合作。实验表明，使用IHN作为异构估计网络的SSHNet，即SSHNet-IHN，在具有挑战性的OPT-SAR数据集上比以前的无监督方法提高了显著的边缘误差。