Contrastive Semi-supervised Learning for Underwater Image Restoration via Reliable Bank（论文阅读）

解决问题：

• 缺乏真实数据；

• 数据量有限；

存在问题：（naive mean-teacher method-baseline）

• 当教师的预测错误时，训练中使用的一致性损失可能会失效；

• 使用 L1 距离可能导致网络过拟合错误标签，产生确认偏差；

提出方法：Semi-supervised Underwater Image Restoration (Semi-UIR)

开源代码：https://github.com/Huang-ShiRui/Semi-UIR

摘要：尽管近年来水下图像恢复技术取得了显著成就，但缺乏标记数据已成为进一步发展的主要障碍。在这项工作中，我们提出了一个基于均值教师的半监督水下图像恢复(Semi-UIR)框架，将未标记的数据纳入网络训练中。然而，朴素均值-教师方法存在两个主要问题:(1)当教师的预测错误时，训练中使用的一致性损失可能会失效。(2)使用L1距离可能导致网络过拟合错误标签，产生确认偏差。为了解决上述问题，我们首先引入一个可靠的银行来存储“有史以来最好”的输出作为伪基础真理。为了评估输出的质量，我们基于单调性进行了实证分析，以选择最可信的NR-IQA方法。此外，针对确认偏差问题，我们引入了对比正则化来防止错误标签的过拟合。

方法：

1、Semi-supervised Underwater Restoration / Reliable Teacher-Student Consistency

2、Reliable Metric Selection

3、Overall Optimization Objective

4、浑浊数据下的测试结果：