Key points are not available for this paper at this time.
Aufgrund der Herausforderungen beim Erwerb von gepaarten nebligen und nicht-nebligen Bildern in realen Umgebungen sowie der begrenzten Anwendbarkeit synthetisierter nebliger Bilder auf reale Bedingungen schlägt dieses Papier einen unüberwachten Algorithmus zum Bildentnebeln vor, der Priormerkmale und kontrastives Lernen nutzt, um diese Probleme zu mildern. Konkret wird durch den Aufbau eines multi-skalaren nicht-lokalen Rekonstruktionsnetzwerks die Selbstähnlichkeitsinformation von Bildern in verschiedenen Skalen erfasst, und deformierbare Faltung wird eingeführt, um den visuellen Effekt des Entnebelns von Bildern zu verbessern. Die Verwendung von beschrifteten Daten für das überwachte Training mit hellen Kanalprioren und Verlusten des kontrastiven Lernens, zusammen mit unbeschrifteten, ungepaarten realen nebligen und nicht-nebligen Bildern für das unüberwachte Training innerhalb eines zyklisch konsistenten adversarialen Netzwerks, kann die Generalisierung und Robustheit des Modells effektiv verbessern.
Xie et al. (Wed,) haben diese Frage untersucht.