统一删除:一个半监督的框架,用于同时处理现实世界的图像中的多个退化
1State Key Laboratory of Networking and Switching Technology, BUPT, No. 10 Xitucheng Road, Haidian District, Beijing 100876, China.
Journal of imaging
|November 26, 2025
概括
Uni-Removal 是一种用于图像恢复域调整的新框架. 它使用双相学习来弥合合成数据和现实数据之间的差距,改善了处理和脱轨等任务的性能.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 图像处理 图像处理
背景情况:
- 域调整对于图像恢复至关重要,因为在合成数据上训练的模型在真实世界的图像上表现不佳.
- 现有的方法在训练和测试环境之间的领域差异上扎.
研究的目的:
- 引入Uni-Removal,这是一个两阶段框架,用于统一的图像恢复域调整.
- 通过双相表示学习来弥合域差距.
主要方法:
- 阶段1:多教师知识蒸,使用实例粒度对比学习 (IGCL) 来实现表示一致性.
- 第二阶段:集群结合的对比学习 (CGCL) 用于输出分布校准和与现实世界的图像特征对齐,无需配对监督.
主要成果:
- 统一清除在现实世界中超越了最先进的方法来清除,脱轨和消除模糊.
- 在SIDD基准指标上取得了竞争性报销表现.
- 以4.36 mAP显著改善下游对象检测.
结论:
- 在统一的图像恢复中,Uni-Removal有效地解决了域调整挑战.
- 该框架展示了强大的概括性和计算机视觉系统的实际实用性.
