基于深度高斯过程 CycleGAN 的天气影响图像无监督复原
计算机视觉与模式识别
2022-04-26 v1
摘要
现有的天气退化图像复原方法遵循全监督范式，且需要成对数据用于训练。然而，收集天气退化的成对数据极具挑战性，现有方法最终只能在合成数据上训练。为克服该问题，我们描述了一种基于 CycleGAN 监督深度网络的方法，从而能够使用无标签的真实世界数据进行训练。具体而言，我们引入用于训练 CycleGAN 的新损失函数，可实现更有效的训练并产生高质量重建。这些新损失通过深度高斯过程联合建模预测干净图像与原始干净图像的潜空间嵌入而获得。这使得 CycleGAN 架构能将一个域（天气退化）的知识更有效地迁移到另一域（干净）。我们证明所提方法可有效应用于去雨、去雾和去雪等不同复原任务，并以显著优势优于其他利用天气特征的无监督技术。
引用
@article{arxiv.2204.10970,
title = {Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN},
author = {Rajeev Yasarla and Vishwanath A. Sindagi and Vishal M. Patel},
journal= {arXiv preprint arXiv:2204.10970},
year = {2022}
}
备注
Accepted at ICPR 2022