Contrastive Semi-supervised Learning for Underwater Image Restoration via Reliable Bank

要約

タイトル：信頼性の高いバンクによる海中画像の半教師あり学習を用いたコントラスト回復法

要約：

– ラベル付きデータが限られたため、海中画像回復技術の発展が妨げられている。
– 半教師あり学習フレームワークを提案。
– 現在の単純な平均教師法では、(1) 教師の予測が間違っている場合、トレーニングに使用される一貫性損失が効果を発揮できない可能性がある。(2) L1距離を使用することで、ネットワークが誤ったラベルにオーバーフィットして、確認バイアスが生じる可能性がある。
– 以上の問題に対処するため、「最高の」出力を偽の正解として保持する信頼性の高いバンクを導入する。
– 計算方法を選択するために、単調減少性に基づく経験的な分析を実施し、最も信頼性の高いNR-IQA方法を選択する。
– 確認バイアス問題を考慮し、コントラスト正則化を組み込んで、誤ったラベルに対するオーバーフィッティングを防止する。
– 実験結果は、全参照と非参照の両方の海中基準において、当社のアルゴリズムが量的にも質的にもSOTA方法に比べて明らかに改善されていることを示している。コードは、https://github.com/Huang-ShiRui/Semi-UIRで公開されています。

要約(オリジナル)

Despite the remarkable achievement of recent underwater image restoration techniques, the lack of labeled data has become a major hurdle for further progress. In this work, we propose a mean-teacher based Semi-supervised Underwater Image Restoration (Semi-UIR) framework to incorporate the unlabeled data into network training. However, the naive mean-teacher method suffers from two main problems: (1) The consistency loss used in training might become ineffective when the teacher’s prediction is wrong. (2) Using L1 distance may cause the network to overfit wrong labels, resulting in confirmation bias. To address the above problems, we first introduce a reliable bank to store the ‘best-ever’ outputs as pseudo ground truth. To assess the quality of outputs, we conduct an empirical analysis based on the monotonicity property to select the most trustworthy NR-IQA method. Besides, in view of the confirmation bias problem, we incorporate contrastive regularization to prevent the overfitting on wrong labels. Experimental results on both full-reference and non-reference underwater benchmarks demonstrate that our algorithm has obvious improvement over SOTA methods quantitatively and qualitatively. Code has been released at https://github.com/Huang-ShiRui/Semi-UIR.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI