【2022.1自蒸馏】ADAPTIVE IMAGE INPAINTING简要概述
自适应图像修复
本文主要内容:交叉蒸馏+自蒸馏+动态提取模块
我们提出了一种基于蒸馏的嵌入方法,该方法对编码器层采用深度特征级引导,从而产生更好的孔区域嵌入。
为了更有效地实现蒸馏目标,我们提出在编码器中使用专用的填充块,它只专注于更新孔区域。
1.1交叉蒸馏:
训练现成的(off-the-shelf)不完整的(under-complete)自编码器用来重构 GT(Ground Truth地面实况)图像。
教师:输入的GT图像样本是完整的,提取它包含缺失信息的特征,用来监督训练图像修复解码器。如下图,下方的网络往上层提供监督。
注意:教师网络不是静态的,是随着训练进程动态演化的。
使用元网络来决定autoencoder (AE)自编码器的哪些层对图像修复是有用的,用于改变每层监督的权重。
1.2 自蒸馏
每层加入自蒸馏,将较深层的知识压缩到浅层网络中。见figure1的上方网络中深层指向浅层的箭头。
交叉蒸馏提升编码器的性能,自蒸馏把这样的提高从深层流向浅层。
自蒸馏:浅层学习后层,其中注意每层特征大小不一,需用fm卷积算子匹配。
1.3 填充块
提出结构修改+编码器的填充块,旨在利用未覆盖的区域去填充损坏区域:在每一层使用轻量并行的残差块提取编码特征,并建立权值和偏移值可变的自适应卷积层,用来更新孔洞区域。
即:每层再添加一个动态模块ffill来专门用于填补孔洞。见figure1上层网络中的绿色块。