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络性能。
网络结构
将生成的去雾图像中选一个patch,经过编码器提取特征。最开始输出的有雾图像中选若干patch,也经过编码器提取特征。位置相同的特征图作为正样本,其他作为负样本。通过这种对比学习的方式来防止模式崩溃。
使用了一个判别器来判别给定图像是清晰的图像(不成对)还是生成器生成的去雾图像。
将生成的去雾图像作为锚点,随机有雾图像作为负样本,随机清晰图像作为正样本,通过特征提取模块然后进行对比学习。
损失函数
生成对抗损失:
对比学习损失:
辨别损失:用于第二次对比学习后保持结构不变,防止模式崩溃。