基于高斯过程的图像去雨合成到真实迁移学习
计算机视觉与模式识别
2020-09-27 v1
摘要
近期基于 CNN 的图像去雨方法在重建误差与视觉质量方面均取得了优异性能。然而，这些方法局限于只能使用全标注数据进行训练。由于获取真实世界全标注图像去雨数据集存在诸多挑战，现有方法仅在合成生成数据上训练，因而对真实图像的泛化能力较差。文献中相对较少探索在训练图像去雨网络时使用真实世界数据。我们提出一种基于高斯过程的半监督学习框架，使网络能够利用合成数据集学习去雨，同时借助无标注真实图像实现更好的泛化。通过在多个具挑战性数据集（如 Rain800、Rain200H 与 DDN-SIRR）上的大量实验与消融研究，我们表明所提方法在有限标注数据训练下即可达到与全标注训练相当的性能。此外，我们证明在提出的基于 GP 的框架中使用无标注真实图像相较现有方法具有更优性能。代码见：https://github.com/rajeevyasarla/Syn2Real
引用
@article{arxiv.2006.05580,
title = {Syn2Real Transfer Learning for Image Deraining using Gaussian Processes},
author = {Rajeev Yasarla and Vishwanath A. Sindagi and Vishal M. Patel},
journal= {arXiv preprint arXiv:2006.05580},
year = {2020}
}
备注
Accepted at CVPR 2020