Deep Adversarial Decomposition: A Unified Framework for Separating Superimposed Images 论文阅读笔记
1. 论文与代码
论文下载地址:Deep Adversarial Decomposition: A Unified Framework for Separating Superimposed Images
官方代码地址:GitHub - jiupinjia/Deep-adversarial-decomposition: Pytorch implementation of the paper: "A Unified Framework for Separating Superimposed Images", in CVPR 2020.
2. 论文核心思想
作者提出了一个统一的框架,用来分离图片。作者提出crossroad L1损失函数,该损失函数能计算无序输出图片的距离和他们的相关性,所以能很好的监督每个像素的训练。
该框架在除雨、除阴影、除反光方面也取得了很好的效果。
为什么该算法能在除雨、除阴影、除反光方面也取得了很好的效果?博主认为下雨场景其实就是图片的高频噪声和原始图片的叠加,阴影图片就是阴影和原始图片的叠加,其他的类似,所以本质上是一个问题。效果图如下:
算法的总体框架如下:
作者的方法包括一个生成模型G和3个判别模型(Dc, Dm1, Dm2)。混合的图片经过生成模型G生成x1和x2, 通过作者提出的Crossroad L1 loss计算与真实x1、x2之间的损失。后面接着三个判别模型,利用GANLoss对生成的图片进行监督。
Dm1、Dm2说明:不同于直接判断图片是否是真实的,PatchGAN会分别判断N x N个patch是否为真,然后求平均值输出。
3. 损失函数说明
crossroad L1损失函数:由于分离图片的顺序不太清楚,所以采用crossroad L1作为损失函数:即交叉求最小值。图像之间使用L1损失函数,公式表达如下:
总体损失函数:包括生成模型的损失函数和三个判别模型的损失函数,判别模型的损失函数前添加了系数来均衡整个损失函数,公式表达如下:
4. 实验效果
(1) 图像分离效果:
(2) 除雨效果:
(3) 除反光效果:
(4) 除阴影效果:
我的论文阅读笔记pdf:Deep_Adversarial_Decomposition-深度学习文档类资源-CSDN下载
点评:这是2020的一篇CVPR,整体思路比较简单,统一的多个任务的框架并达到很好的效果,给作者点赞。另外,博主仔细阅读了作者开源的代码,代码风格很好,通俗易懂,值得学习。
Deep Adversarial Decomposition: A Unified Framework for Separating Superimposed Images 论文阅读笔记相关推荐
- 【自动驾驶】《BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird’s-Eye View Representation》论文阅读笔记
论文地址:https://arxiv.org/pdf/2205.13542.pdfhttps://arxiv.org/pdf/2205.13542.pdf 代码地址:GitHub - mit-han- ...
- DCP(Deep Closest Point)论文阅读笔记以及详析
DCP论文阅读笔记 前言 本文中图片仓库位于github,所以如果阅读的时候发现图片加载困难.建议挂个梯子. 作者博客:https://codefmeister.github.io/ 转载前请联系作者 ...
- 论文阅读笔记——VulDeePecker: A Deep Learning-Based System for Vulnerability Detection
本论文相关内容 论文下载地址--Engineering Village 论文中文翻译--VulDeePecker: A Deep Learning-Based System for Vulnerabi ...
- Do Deep Neural Networks Learn Facial Action Units When Doing Expression Recognition?阅读笔记
Do Deep Neural Networks Learn Facial Action Units When Doing Expression Recognition?阅读笔记 前言 Abstract ...
- 论文阅读笔记:Improving Attacks on Speck32 / 64 using Deep Learning
论文阅读笔记:Improving Attacks on Speck32 / 64 using Deep Learning 本文通过神经网络利用了减少轮数的 Speck 的差分性质.为此,作者对神经网络 ...
- 论文阅读笔记——A deep tree-based model for software defect prediction
本论文相关内容 论文下载地址--Web Of Science 论文中文翻译--A deep tree-based model for software defect prediction 论文阅读笔记 ...
- VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION(VGG网络)-论文阅读笔记
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION VGG网络 论文阅读笔记 //2022.4.11上午9:53开始阅 ...
- 论文阅读笔记(15):Deep Subspace Clustering with Data Augmentation,深度子空间聚类+数据增强
论文阅读笔记(15):Deep Subspace Clustering with Data Augmentation,深度子空间聚类+数据增强 摘要 1 介绍 2 相关工作 带增强的聚类方法 具有一致 ...
- Visual Attribute Transfer through Deep Image Analogy论文阅读笔记
Visual Attribute Transfer through Deep Image Analogy论文阅读笔记 介绍 论文提出了一种新的两张图片直接进行视觉属性迁移的方法.该方法针对的是两张具有 ...
- DeepFuse: A Deep Unsupervised Approach for Exposure Fusion with Extreme Exposure Image Pairs 阅读笔记
DeepFuse: A Deep Unsupervised Approach for Exposure Fusion with Extreme Exposure Image Pairs 阅读笔记 引言 ...
最新文章
- 吴恩达老师深度学习视频课笔记:优化算法
- PHP数组用处_PHP 数组函数妙用
- linux shell sed中使用变量
- abovedisplayskip无效_latex减少图片和图片解释文字之间的距离、调整公式与正文间距离,调整空白大小:...
- 无法在 Web 服务器上启动调试。调试失败,因为没有启用集成 Windows 身份验证。请...
- vue组件自定义v-model
- java top.dialog控件,java – 如何只为他的父级创建JDialog onTop?
- 北京开源人linux运维实战
- java直接引用_Java虚拟机 - 符号引用和直接引用理解
- C#笔记02 变量、数据类型
- C# 中 动态获得或设置一个对象的值
- github桌面版_桌面版Linux内核介绍
- 两天撸一个天气应用微信小程序
- 2018-2019的裁员风波(程序员要有危机意识,程序员堪比娱乐圈,更新换代快)
- kdays 游戏汉化教程[日记版本] 序章 接触
- 题解【[FJOI2018]所罗门王的宝藏】
- 数学建模-线性规划模型基本原理与编程实现
- 匆匆那年—2014年终总结
- oracle 批量插入语句
- canvas圆形进度条