Séparation de réflexion d'image unique avec des pertes perceptuelles

Nous présentons une approche pour séparer la réflexion d'une seule image. L'approche utilise un réseau entièrement convolutionnel entraîné de bout en bout avec des pertes qui exploitent des informations d'image de bas niveau et de haut niveau. Notre fonction de perte comprend deux pertes perceptuelles : une perte de caractéristiques d'un réseau de perception visuelle et une perte adversariale qui encode les caractéristiques des images dans les couches de transmission. Nous proposons également une nouvelle perte d'exclusion qui impose une séparation de couche au niveau des pixels. Nous créons un ensemble de données d'images du monde réel avec réflexion et couches de transmission de vérité terrain correspondantes pour une évaluation quantitative et un entraînement du modèle. Nous validons notre méthode à travers des expériences quantitatives complètes et montrons que notre approche surpasse les méthodes de suppression de réflexion à la pointe de la technologie en PSNR, SSIM et étude utilisateur perceptuelle. Nous étendons également notre méthode à deux autres tâches d'amélioration d'image pour démontrer la généralité de notre approche.