Ein Regularisierungsgeführter Äquivarianter Ansatz zur Bildrestaurierung

Äquivariante und invariante Deep-Learning-Modelle wurden entwickelt, um intrinsische Symmetrien in Daten auszunutzen, was in bestimmten Szenarien signifikante Wirksamkeit zeigt. Diese Methoden leiden jedoch häufig unter einer begrenzten Repräsentationsgenauigkeit und beruhen auf strengen Symmetrieannahmen, die in der Praxis möglicherweise nicht zutreffen. Diese Einschränkungen stellen einen erheblichen Nachteil für Aufgaben der Bildrestaurierung dar, die hohe Genauigkeit und präzise Symmetrie-Repräsentation erfordern. Um diese Herausforderungen zu bewältigen, schlagen wir eine rotationsäquivariante Regularisierungsstrategie vor, die adaptiv die entsprechenden Symmetriebedingungen auf die Daten anwendet, während die Repräsentationsgenauigkeit des Netzwerks erhalten bleibt. Konkret führen wir EQ-Reg ein, einen Regularisierer, der darauf ausgelegt ist, die Rotationsequivarianz zu verbessern und innovativ die Erkenntnisse basierter Methoden auf Datenaugmentation und Äquivarianz erweitert. Dies wird durch selbstüberwachtes Lernen und die räumliche Rotation sowie zyklische Kanalverschiebung von Merkmalskarten im äquivarianten Rahmen erreicht. Unser Ansatz ermöglicht zunächst ein nicht streng äquivariantes Netzwerk, das für die Bildrestaurierung geeignet ist, und bietet einen einfachen und adaptiven Mechanismus zur Anpassung der Äquivarianz basierend auf der Aufgabe. Umfangreiche Experimente über drei Aufgaben der unteren Ebene zeigen die überlegene Genauigkeit und Generalisierungsfähigkeit unserer Methode, die die Verfahren des aktuellen Stands der Technik übertrifft.