Das Papier präsentiert NightHaze, eine neuartige Methode zur Entnebelung von Nachtaufnahmen mit selbstständigem Lernen von Priors. Die Hauptneuheit liegt im Design der strengen Augmentierung, die es unserem Lernverfahren ermöglicht, effektive Priors zu erlernen.
Zunächst augmentieren wir klare Nachtaufnahmen, indem wir sie mit verschiedenen Lichteffekten wie Glühen und Rauschen vermischen. Inspiriert von MAE, das zeigt, dass die Strenge der Augmentierung der Schlüssel für starke Priors ist, definieren wir "strenge Augmentierung" anhand unserer nachtspezifischen Augmentierungen. Wir zeigen, dass eine strenge Augmentierung im Training robuste Priors liefert, die gegen reale Nebeleffekte resistent sind.
Obwohl unser selbstständiges Priorlernen Nebeleffekte effektiv handhaben kann, hinterlässt es in manchen Fällen noch Artefakte durch Überunterdrückung. Daher schlagen wir ein selbstständiges Verfeinerungsmodul vor, das auf dem semi-überwachten Lehrer-Schüler-Rahmen basiert. Im Gegensatz zu herkömmlichen Lehrer-Schüler-Rahmen verwenden wir Nicht-Referenz-Metriken, um jede Aktualisierung unseres Schülermodells zu überwachen. Dieser Ansatz verhindert den Übertrag ungenauer Erkenntnisse vom Schüler zum Lehrer.
Umfangreiche experimentelle Ergebnisse zeigen, dass unser NightHaze eine erhebliche Leistungsverbesserung auf realen Datensätzen mit Nachtnebelaufnahmen erzielt.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Beibei Lin,Y... a las arxiv.org 03-13-2024
https://arxiv.org/pdf/2403.07408.pdfConsultas más profundas