图像去遮挡

1. 《Self-Supervised Scene De-occlusion》

本文最大的创新点在于自监督的训练方式。具体的，因为常用的分割数据集只有modal mask, 而没有标注好的遮挡物体Ground Truth(amodal mask), 所以作者故意将某示例随机叠加在当前示例上，人为的自主构造遮挡数据和对应遮挡mask伪标签用于训练遮挡物体重建网络。
遮挡物体重建步骤如下：

1. 得到遮挡顺序图
2. 根据顺序图重建amodal mask
3. 再根据amodal mask实现内容重建
   
   网络主体结构如下：
   训练阶段：
   PCNet-M用于重建amodal mask， 基于人为自主构造的遮挡数据标签对。两个case的结合训练是为了实现准确填充。
   PCNet-C用于实现内容重建，完成遮挡物体恢复，同样是基于人为构造的伪标签训练。
   
   测试阶段：
   首先判断遮挡顺序。即对相邻两个物体，互相作为对方的遮挡体重建，重建后面积显著增大的是原始被遮挡物体。
   
   得到遮挡顺序后，对任意物体，通过广义优先搜索获取其遮挡源，然后送入PCNet-M重建amodal mask（a），再利用PCNet-C，实现内容恢复（b）。