Deep Adversarial Decomposition: A Unified Framework for Separating Superimposed Images 论文阅读笔记

1. 论文与代码

        论文下载地址：Deep Adversarial Decomposition: A Unified Framework for Separating Superimposed Images

        官方代码地址：GitHub - jiupinjia/Deep-adversarial-decomposition: Pytorch implementation of the paper: "A Unified Framework for Separating Superimposed Images", in CVPR 2020.

2. 论文核心思想

        作者提出了一个统一的框架，用来分离图片。作者提出crossroad L1损失函数，该损失函数能计算无序输出图片的距离和他们的相关性，所以能很好的监督每个像素的训练。

        该框架在除雨、除阴影、除反光方面也取得了很好的效果。

         为什么该算法能在除雨、除阴影、除反光方面也取得了很好的效果？博主认为下雨场景其实就是图片的高频噪声和原始图片的叠加，阴影图片就是阴影和原始图片的叠加，其他的类似，所以本质上是一个问题。效果图如下：

         算法的总体框架如下：

          作者的方法包括一个生成模型G和3个判别模型(Dc, Dm1, Dm2)。混合的图片经过生成模型G生成x1和x2, 通过作者提出的Crossroad L1 loss计算与真实x1、x2之间的损失。后面接着三个判别模型，利用GANLoss对生成的图片进行监督。

          Dm1、Dm2说明：不同于直接判断图片是否是真实的，PatchGAN会分别判断N x N个patch是否为真，然后求平均值输出。

3. 损失函数说明

        crossroad L1损失函数：由于分离图片的顺序不太清楚，所以采用crossroad L1作为损失函数：即交叉求最小值。图像之间使用L1损失函数，公式表达如下：

       总体损失函数：包括生成模型的损失函数和三个判别模型的损失函数，判别模型的损失函数前添加了系数来均衡整个损失函数，公式表达如下：

4. 实验效果

       (1) 图像分离效果：

    (2) 除雨效果：

   (3) 除反光效果：

(4) 除阴影效果：

我的论文阅读笔记pdf:Deep_Adversarial_Decomposition-深度学习文档类资源-CSDN下载

点评：这是2020的一篇CVPR，整体思路比较简单，统一的多个任务的框架并达到很好的效果，给作者点赞。另外，博主仔细阅读了作者开源的代码，代码风格很好，通俗易懂，值得学习。