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.pdfwww.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