【荐读IEEE TPAMI】无监督去雨:非对称对比学习与自相似性相遇

33 篇文章 36 订阅

题目:Unsupervised Deraining: Where Asymmetric Contrastive Learning Meets Self-Similarity

无监督去雨:非对称对比学习与自相似性相遇

作者:Yi Chang, Yun Guo, Yuntong Ye, Changfeng Yu, Lin Zhu, Xile Zhao, Luxin Yan, Yonghong Tian

源码链接: https://owuchangyuo.github.io


摘要

大多数现有的基于学习的去雨方法都是在合成的雨-清洁对上进行有监督训练的。合成雨与真实雨之间的领域差距使它们在复杂的真实雨场景中的泛化能力降低。此外,现有方法主要独立利用图像或雨层的属性,很少有方法考虑它们之间的相互排斥关系。为了解决这一困境,我们探索了每层内部的内在自相似性以及两层之间的相互排斥性,并提出了一种无监督的非局部对比学习(NLCL)去雨方法。非局部自相似性图像块作为正样本被紧密地拉在一起,而雨块作为负样本则被显著地推开,反之亦然。一方面,每层正/负样本内部的内在自相似性知识有助于我们发现更紧凑的表示;另一方面,两层之间的相互排斥属性丰富了区分性分解。因此,每层内部的自我相似性(相似性)和

  • 15
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
IEEE TPAMIIEEE Transactions on Pattern Analysis and Machine Intelligence)是一个涵盖模式识别、计算机视觉、图像处理和机器学习等领域的高质量期刊,其中也包括用于缺陷检测的研究。 以下是一些在IEEE TPAMI期刊上发表的用于缺陷检测的论文: 1. "Automatic Defect Detection in X-Ray Images Using Convolutional Neural Networks"(使用卷积神经网络自动检测X射线图像中的缺陷)-- 该论文提出了一种基于卷积神经网络(CNN)的自动缺陷检测方法,该方法可以应用于各种类型的X射线图像中的缺陷检测。 2. "Unsupervised Defect Detection in Textured Materials Using Convolutional Autoencoders"(使用卷积自动编码器在纹理材料中进行无监督缺陷检测)-- 该论文提出了一种基于卷积自动编码器(CAE)的无监督缺陷检测方法,该方法可以有效地检测纹理材料中的缺陷。 3. "A Hierarchical Approach to Defect Detection in Semiconductor Wafer Images"(半导体晶圆图像缺陷检测的分层方法)-- 该论文提出了一种基于分层方法的缺陷检测方法,可以应用于半导体晶圆图像中的缺陷检测。 4. "Deep Learning-Based Defect Detection in Semiconductor Manufacturing"(基于深度学习的半导体制造中的缺陷检测)-- 该论文提出了一种基于深度学习的缺陷检测方法,可以应用于半导体制造中的缺陷检测,并且在实验中取得了良好的结果。 这些论文都展示了IEEE TPAMI作为一个重要的期刊,提供了广泛的研究和应用领域,包括缺陷检测。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值