摘要
基于CNN描述子的图像检索方法依赖于大量多样化的正负图像对进行度量学习。然而，在训练数据稀缺且变化性有限的领域（如夜间图像）中，即使在标准基准测试上表现优异的方法，其检索性能依然较差。为此，我们提出训练一种基于生成对抗网络（GAN）的合成图像生成器，将现有的白天图像样本转换为夜间图像。该生成器在度量学习中作为数据增强手段，为数据稀缺的夜间域提供补充训练样本。我们对多种类型的生成器进行了评估与分析，并提出一种新型轻量级GAN架构，通过边缘一致性约束保证原始图像与转换后图像之间的结构一致性。此外，该架构还支持同时训练一个可在白天与夜间图像上运行的边缘检测器。为进一步提升训练样本的多样性并最大化模型的泛化能力，我们还提出一种新颖的多样化锚点挖掘方法。所提出的方案在标准的东京24/7昼夜图像检索基准上显著优于当前最优方法，同时在牛津和巴黎数据集上的性能保持不变。该方法无需依赖成对的白天与夜间匹配图像进行训练。源代码已开源，地址为：https://github.com/mohwald/gandtr。