python 相关性fdr矫正_3. ECCV2020 | FDRNet: 中科大提出对于混合失真图像修复的特征解耦表示网络...

文章题目：FDR-Net - Learning Disentangled Feature Representation for Hybrid-distorted Image Restoration

文章链接：https://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123740307.pdf​www.ecva.net

文章代码：暂无

这是中科大Zhibo Chen老师组的文章，今年该组中了好几篇ECCV，可以看出科研实力还是比较强劲的。他们要解决的问题是混合失真的图像修复。也就是说，图像在经过噪声干扰，模糊干扰，JPEG压缩等多种干扰之后，如何将图像恢复的问题。混合失真中，各种干扰会互相影响，并不是相互独立的。这个问题最典型的工作是MMLab余可大佬写的，Crafting a toolchain for image restoration by deep reinforcement learning (CVPR 2018)，用强化学习来顺序select一些处理工具来修复图像。

作者的思想是提出(FDM)通过神经网络的不同的层，来表达不同的干扰特征。例如，第一层表示雨的特征，第二层表示模糊特征，第三层是噪声特征。当然也有一些层表示图像本身的内容特征。在特征表达后，作者利用一个特征聚合模块(FAM)来聚合有用的特征。文章最后会有分析特征解耦表示的可视化图。

话不多说，之间看文章方法部分。

3 网络结构

3.1 特征如何解耦分解？图1

假设

是一个Feature map的