ECCV 2022 | 底层视觉新任务:Blind Image Decomposition

2022 年 9 月 8 日 PaperWeekly


©作者 | 韩俊霖

单位 | ANU/Data61-CSIRO

研究方向 | 底层视觉、视觉识别


稍微 PR 一下我们在 ECCV 2022 的文章 Blind Image Decomposition,可以译为盲图像分离。
TL;DR: 一个底层视觉的新任务,以一个统一的架构包含了去雾,去雨,去雨滴,去雪, 去阴影,去反光,去水印等图像分离任务。



论文标题:

Blind Image Decomposition

收录会议:

ECCV 2022

论文主页:

https://junlinhan.github.io/projects/BID.html

论文链接:

https://arxiv.org/pdf/2108.11364.pdf

代码链接:

https://github.com/JunlinHan/BID



论文动机

这张图基本说明了我们的动机。如果把雨天图像看作一张混合图像,那么它绝不应该仅仅只有 rain streak 这一种元素。其他元素,比如 haze,raindrop,还有 snow 等等都有可能出现。
而在真实世界下这些元素会以什么样的组合出现往往是未知的。那么一个 robust 的模型就需要能处理所有可能的情况(不同元素之间的任意组合),这是目前的模型所做不到的(现在的任务往往是考虑某一种元素,或者某 2 种元素的组合)。在 BID 任务中,我们将不同的元素以一种随机组合的方式来形成混合图像,从而更好的适应真实世界。




任务的setting

给定一定数量的 source component(上文中的元素),来自 source component 的 image 会以一种随机的方式组合起来 (比如有 5 个 source component,单独 1 个,或者随机抽取 3 个 source component 都会出现,一共会有 种组合方式)。需要一个方法来完成 2 个任务:1)预测哪些 source component 参与了混合;2)分离混合图像并重建参与了混合的原始图像。BID 任务非常具有挑战性。

我们的解决方案:提出了一个叫做 BIDeN (Blind Image Decomposition Network) 的网络。

BIDeN 建立在 GAN 的架构上。这里的图是一个(最多)有 4 个 source component 的例子。G 中不同的 head 对应了每个 source component,在这里进行重建任务。D 中会进行正常的 adversarial training,在这个过程中 D 能学习到哪些图像是分离的,哪些是混合的。这些学到的 representation 可以帮助 D 来进行 source component 的预测任务。




数据集以及任务
一共设立了 3 个任务,分别是:

I: Mixed image decomposition across multiple domains. 

II: Real-scenario deraining. 

III: Joint shadow/reflection/watermark removal. 

其中 II 有 2 个子任务:

Task II. A: Real scenario deraining in driving.

Task II.B: Real scenario deraining in general.

接下来对每个任务,我们用一张图来进行一个简单的介绍:


▲ 任务I有如图的8个source component


▲ 任务II是去雨,II.A中是在Cityscape上合成雨天的图像。II.B中主要是用自然图像作为rain-free图


▲ 任务III是把去阴影,去水印,还有去反光联合起来了。建立在SRD以及ISTD数据集上。




实验以及结果

还是精简着放结果, 每个任务我们在这只放一张图或表。



这里测试的是 Fruit + Animal 的 case。BIDeN 在 BID setting 中训练,而 baselines 是在传统的 image decomposition setting 训练(也就是只在 2 个 source component 的 mix 中训练)。可以看到 BIDeN 的效果还是很不错的。


Task II.A 上的结果。BIDeN 总体而言比较平衡,对于不同的 case 都能去除不同的元素。所有 baselines 也是在 BID 的训练 setting 中训练的。Restormer 和 MPRNet 这种非常强的 baseline 在简单的 case (case1-2) 表现很好,但在其他复杂 cases 上的表现会略微差一些。


Task II.B 的结果。这里我们用传统 image decomposition setting 和 BID setting 分别训练了 2 个模型。BID setting 的模型在真实图像上表现比传统 image decomposition 的模型要表现的更好。


Task III. baslines 是报的之前的 shadow removal methods 的结果,这些模型是在 shadow removal task 上训练的。受限于 BID setting 的难度,BIDeN 在这个 task 上表现并不好。 
Ablation study 就不在这里写了。总而言之,是一个比较新的,也有一定现实意义的 low-level vision 任务。所有代码和数据集已经全部开源,欢迎大家来玩!有任何问题可以留言,看到了都会尽快回复,或者在 github 提 issue 也 OK。

更多阅读



#投 稿 通 道#

 让你的文字被更多人看到 



如何才能让更多的优质内容以更短路径到达读者群体,缩短读者寻找优质内容的成本呢?答案就是:你不认识的人。


总有一些你不认识的人,知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁,促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。 


PaperWeekly 鼓励高校实验室或个人,在我们的平台上分享各类优质内容,可以是最新论文解读,也可以是学术热点剖析科研心得竞赛经验讲解等。我们的目的只有一个,让知识真正流动起来。


📝 稿件基本要求:

• 文章确系个人原创作品,未曾在公开渠道发表,如为其他平台已发表或待发表的文章,请明确标注 

• 稿件建议以 markdown 格式撰写,文中配图以附件形式发送,要求图片清晰,无版权问题

• PaperWeekly 尊重原作者署名权,并将为每篇被采纳的原创首发稿件,提供业内具有竞争力稿酬,具体依据文章阅读量和文章质量阶梯制结算


📬 投稿通道:

• 投稿邮箱:hr@paperweekly.site 

• 来稿请备注即时联系方式(微信),以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信(pwbot02)快速投稿,备注:姓名-投稿


△长按添加PaperWeekly小编




🔍


现在,在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧


·

登录查看更多
0

相关内容

【CVPR2022】循环动态嵌入的视频目标分割
专知会员服务
18+阅读 · 2022年5月16日
IJCAI2022 Oral: 探究和解释图像分类任务中存在的频域偏见
专知会员服务
12+阅读 · 2022年5月12日
专知会员服务
32+阅读 · 2021年9月16日
必读的10篇 CVPR 2019【生成对抗网络】相关论文和代码
专知会员服务
31+阅读 · 2020年1月10日
ECCV 2022 | 基于数据转移的细粒度场景图生成
PaperWeekly
0+阅读 · 2022年10月13日
ECCV 2022 | SSP: 自支持匹配的小样本任务新思想
PaperWeekly
0+阅读 · 2022年7月28日
CVPR 2022 | 元学习在图像回归任务的表现
PaperWeekly
1+阅读 · 2022年6月11日
一文看尽 CVPR 2022 最新 20 篇 Oral 论文
极市平台
1+阅读 · 2022年4月8日
数据增强文献综述
极市平台
20+阅读 · 2019年8月4日
CVPR 2019 | 34篇 CVPR 2019 论文实现代码
AI科技评论
21+阅读 · 2019年6月23日
论文 | CVPR2017有哪些值得读的Image Caption论文?
黑龙江大学自然语言处理实验室
16+阅读 · 2017年12月1日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
VIP会员
相关资讯
ECCV 2022 | 基于数据转移的细粒度场景图生成
PaperWeekly
0+阅读 · 2022年10月13日
ECCV 2022 | SSP: 自支持匹配的小样本任务新思想
PaperWeekly
0+阅读 · 2022年7月28日
CVPR 2022 | 元学习在图像回归任务的表现
PaperWeekly
1+阅读 · 2022年6月11日
一文看尽 CVPR 2022 最新 20 篇 Oral 论文
极市平台
1+阅读 · 2022年4月8日
数据增强文献综述
极市平台
20+阅读 · 2019年8月4日
CVPR 2019 | 34篇 CVPR 2019 论文实现代码
AI科技评论
21+阅读 · 2019年6月23日
论文 | CVPR2017有哪些值得读的Image Caption论文?
黑龙江大学自然语言处理实验室
16+阅读 · 2017年12月1日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员