Deep Adversarial Decomposition: A Unified Framework for Separating Superimposed Images

文章领域：1. 去雾去雨 2. 图像分离
效果：

结构：

损失：（结合结构理解）
（1）crossroad L1 Loss

这部分损失是G生成的两张图与GT比较得到的。最小化d12+d21很好理解，就是减小生成图与其GT之间的差距，但是为什么要加上d11+d12呢，而且正常情况下不是应该增大生成图与非GT之间的差距吗。这就是去重合的特点，因为你并不知道输出的两张合成图的顺序，所以你没办法找到生成图对应的GT，为了保证生成图最终能和它所属的GT进行比较，所以距离分为了d11+d22和d12+d21。
（2）评价损失

这部分损失的计算中，输入包括三部分，就是三个Dc括号里的内容。第一个Dc用于计算判别器对GT的判别损失，第二个Dc用于计算判别器对G生成的两张单一图片的判别损失，第三个Dc用于计算判别器对两张单一图片的GT混合后的图像的判别损失（不是input那种类型，而是程序在此处通过混合算法将二者的GT进行混合，与input不同）。此处判别器的输出为混合图片或分离图片，是个二分类。本来是和正常的GAN的判别器一样的，就是区分GT和G生成的图片，但是加入GT混合后的图片的判别损失后，此时的D就可以更好地反馈分离效果。
（3）感知损失

为了提高感知质量，会用input的某一个区域作为此处的标签，将G生成的两张图片的相同的区域输入到Dmi的判别器中，来判断输入的是真的（input）还是假的（G的生成），以此来提高质量。
（4）总损失

实验：
未公开源码

看效果还不错