标签：Compact 采样 like 卷积 Image 样本 网络 Dehazing 图像

论文：Contrastive Learning for Compact Single Image Dehazing, CVPR 2021
代码：https://github.com/GlassyWu/AECR-Net

1、背景

当前方法的问题：1）使用clear images结合L1/L2重建损失进行训练，容易引起结果偏色；2）侧重于加大网络的深度和宽度，导致计算开销巨大。

为了解决当前问题，作者提出了一种新的 contrastive loss。有雾图像，网络生成的图像，清晰图像分别做为 negative, anchor, 和 positive 样本，保证生成的图像在表示空间中离清晰图像更近，离有雾图像更远。同时，为了在性能和参数量间取得平衡，作者提出了一个 compact network by adopting autoencoder-like framework。

该方法框架如图所示，由 autoencoder-like dehazing network 和 contrastive regularization 组成。

2、Autoencoder-like dehazing network

网络首先是一个步长为1的卷积和两个步长为2的卷积（图中浅蓝色的块），然后，采用6个FA块处理（是在FFANet中提出的）。该模型只采用了6个FA块，但原来的FFANet采用了57个，显著减少了计算量。同时，为了促进不同层、不同尺度间特征的流动，作者提出了两种连接模式：

（1）Adaptive mixup： 用来动态融合下采样层和上采样层之间的特征。Low-level features (边缘和角点)在CNN的低层捕获，但是，随着网络层数的加深，浅层特征会退化。为了解决这一问题，本文采用adaptive mixup operation来融合下采样层和上采样层间的特征，如下图所示。

该操作可以表示为：

其中，权重是自适应可学习的参数。

**（2）Dynamic feature enchancement： **传统方法经常采用固定大小3X3的卷积核（如下图中间蓝框图片所示），感受野有限，同时难以捕获结构信息。如果使用 deformable conv （如下图右边红框图片所示），就可以获得更多的结构信息。因此，作者引入了dynamic feature enhancement模块，由两个可变形卷积层组成。实验中发现，深层部署的效果比浅层部署效果要好。

3、Contrastive regularization

对比学习的目标是在度量空间上拉近正样本对间的距离，拉远负样本对间的距离。因此，作者提出了新的 contrastive regularization 来修复图像。正样本对是正样本对是清晰图像\(J\)和经网络修复的图像\(\phi(I, w)\)，负样本对是经网络修复的图像\(\phi(I, w)\)和有雾图像\(I\)。具体来说，网络的目标函数是：

在具体实现上，作者使用了VGG19的感知损失。

标签：Compact,采样,like,卷积,Image,样本,网络,Dehazing,图像
来源： https://www.cnblogs.com/gaopursuit/p/15362216.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。