【语义分割】开源 | SAPNet：基于对比学习的分割感知渐进网络，用于单幅图像去噪

论文地址： http://arxiv.org/pdf/2111.08892v1.pdf

来源： 温州肯恩大学

论文名称：SAPNet: Segmentation-Aware Progressive Network for Perceptual Contrastive Deraining

原文作者：Shen Zheng

内容提要

深度学习算法最近在自然和合成雨数据集上都取得了很好的脱雨性能。作为一个基本的底层预处理阶段，脱轨网络应该清除雨痕，并保留良好的语义细节。然而，现有的方法大多只考虑低层次的图像恢复。这限制了它们在需要精确语义信息的高级任务中的表现。为了解决这一问题，本文提出了一种基于对比学习的分割感知渐进网络(SAPNet)用于单幅图像去噪。本文方法从一个由渐进扩张单元(PDU)形成的轻量级外网开始。该方法可以有效地扩展感受域，并在多尺度图像上实现多尺度雨纹特征，而无需进行大量计算。这项工作的一个基本方面是使用ImageNet和高斯权值初始化的无监督背景分割(UBS)网络。UBS算法能够忠实地保存图像的语义信息，提高对未见图片的泛化能力。此外，我们引入了感知对比损失(PCL)和学习感知图像相似性损失(LPISL)来调节模型学习。在VGG-16潜在空间中，我们利用雨天图像和groundtruth作为正负样本，以完全约束的方式在被排除的图像和groundtruth之间搭建起精细语义细节的桥梁。在合成的和真实的雨图像上进行的综合实验表明，我们的模型优于性能最好的方法，并帮助目标检测和语义分割，具有相当的有效性。

主要框架及实验结果

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。