Key points are not available for this paper at this time.
최근 수중 이미지 복원 기술의 놀라운 성과에도 불구하고, 레이블이 있는 데이터의 부족은 추가적인 발전에 주요한 장애물이 되었습니다. 본 연구에서는 네트워크 훈련에 레이블이 없는 데이터를 통합하기 위해 평균 교사 기반의 반지도 수중 이미지 복원(Semi-UIR) 프레임워크를 제안합니다. 그러나 단순 평균 교사 방법은 두 가지 주요 문제에 직면하게 됩니다: (1) 훈련 시 사용되는 일관성 손실은 교사의 예측이 잘못될 경우 비효율적일 수 있습니다. (2) L1 거리 사용은 네트워크가 잘못된 레이블에 과적합되어 확증 편향을 초래할 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 먼저 “최고의” 출력을 의사 정답으로 저장하기 위한 신뢰할 수 있는 은행을 도입합니다. 출력의 품질을 평가하기 위해, 우리는 단조성 속성을 기반으로 하는 실증 분석을 수행하여 가장 신뢰할 수 있는 NR-IQA 방법을 선택합니다. 또한, 확증 편향 문제를 고려하여 잘못된 레이블에 대한 과적합을 방지하기 위해 대조 정규화를 통합합니다. 전체 참조 및 비참조 수중 벤치마크에서의 실험 결과는 우리의 알고리즘이 SOTA 방법에 비해 정량적 및 정성적으로 뚜렷한 개선을 나타냄을 보여줍니다. 코드는 https://github.com/Huang-ShiRui/Semi-UIR 에서 공개되었습니다.
Huang et al. (Thu,)는 이 질문을 연구했습니다.