基于感知深度图像先验的无监督单图像反射分离

反射常通过遮挡背景场景而降低图像质量。这对日常用户不利，也会对处理含反射图像的媒体应用性能产生负面影响。当前多数去反射方法采用监督学习模型。然而，这些模型需要大量图像对才能表现良好，尤其对于含反射的自然图像，这在实际中难以实现。本文提出一种新颖的无监督单图像反射分离框架。我们不在大型数据集上学习，而是在目标图像上优化两个交叉耦合的深度卷积网络参数，以生成互斥的背景层与反射层。特别地，我们设计了新的网络架构以嵌入从预训练深度分类网络提取的语义特征，从而获得更贴近人类感知的有意义分离。在文献常用数据集上的定量与定性结果表明，我们的方法性能至少与SOTA监督方法相当，且偶尔在无需大型训练数据集的情况下更优。结果还显示，我们的方法显著优于文献中最近的无监督单图像去反射方法。