RelationEr7的博客

概述本文提出了一种有效的无监督对比学习范式 ——ucl-dehaze。未配对的真实世界清晰图像和模糊图像很容易获取，在训练UCL-Dehaze网络时分别作为 重要的正样本和负样本。为了更有效地训练网络，我们 提出了一种新的自我对比感知损失函数，它鼓励去雾后 的图像在嵌入空间中接近正样本，远离负样本。除了ucl-dehaze的整体网络结构外，利用对抗训练来调整正样本和去雾图像之间的分布。与现有的图像去雾算法相比,ucl-dehaze算法在训练过程中不需要配对数据,并且使用了不成对的正负数据通过对比来提高网

图像分割是计算机视觉研究的一个重要且基础的课题，主要有三种划分方式：普通分割（按像素区域分开）、语义分割（不同区域的语义）、实例分割（像素级别区分图中的实体）。图像分割早期采用传统图像处理方法，现主流技术手段是采用深度学习的方法，如FCN、U-net等。...

import torchimport torch.utils.datafrom torchvision import datasets, transformsfrom tqdm import tqdm# 指定设备device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')print('device:{}'.format(device))# 定义预处理transform = transforms.Compose(.