【荐读IEEE TPAMI】无监督去雨：非对称对比学习与自相似性相遇

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