基于对比解耦学习的无配对深度图像去雾
图像与视频处理
2022-07-13 v2 计算机视觉与模式识别
摘要
我们提出了一种基于无配对学习的实用图像去雾网络，使用无配对的清晰与有雾图像集合。本文提供了一种新视角，将图像去雾视为两类分离因子解耦任务，即清晰图像重建的任务相关因子与雾相关分布的任务无关因子。为在深度特征空间中实现这两类因子的解耦，将对比学习引入 CycleGAN 框架，通过引导生成图像与潜在因子相关联来学习解耦表示。基于此形式化，所提出的对比解耦去雾方法（CDD-GAN）采用负生成器与编码器网络协作并交替更新，从而产生一组具有挑战性的负对抗样本。随后这些负对抗样本与主干表示网络端到端联合训练，通过最大化对抗对比损失来增强判别信息并提升因子解耦性能。在训练中，我们进一步表明困难负样本可抑制任务无关因子，而无配对清晰样本可增强任务相关因子，从而更好地促进去雾并助力图像复原。在合成与真实世界数据集上的大量实验表明，我们的方法优于现有的无配对去雾基线。
引用
@article{arxiv.2203.07677,
title = {Unpaired Deep Image Dehazing Using Contrastive Disentanglement Learning},
author = {Xiang Chen and Zhentao Fan and Pengpeng Li and Longgang Dai and Caihua Kong and Zhuoran Zheng and Yufeng Huang and Yufeng Li},
journal= {arXiv preprint arXiv:2203.07677},
year = {2022}
}