Apprentissage par contraste pour un dégommage d’image unique compact

La dégénérescence d’image unique est un problème mal posé difficile en raison de la dégradation sévère des informations. Toutefois, les méthodes actuelles basées sur l’apprentissage profond pour la débroussailleuse n’utilisent que des images claires comme échantillons positifs afin de guider l’entraînement du réseau de débroussailleuse, tandis que les informations négatives restent inexploitées. En outre, la plupart de ces méthodes se concentrent sur le renforcement du réseau de débroussailleuse en augmentant sa profondeur et sa largeur, ce qui entraîne une exigence importante en calcul et en mémoire. Dans ce travail, nous proposons une nouvelle régularisation contrastive (CR), fondée sur l’apprentissage contrastif, permettant d’exploiter à la fois les informations des images brumeuses (en tant qu’échantillons négatifs) et des images claires (en tant qu’échantillons positifs). La CR garantit que l’image restaurée soit rapprochée de l’image claire et éloignée de l’image brumeuse dans l’espace de représentation. Par ailleurs, en tenant compte du compromis entre performance et consommation mémoire, nous avons conçu un réseau de débroussailleuse compact reposant sur une architecture inspirée d’un autoencodeur (AE). Ce réseau intègre une opération mixup adaptative et un module d’amélioration dynamique des caractéristiques, permettant respectivement de préserver de manière adaptative le flux d’information et d’étendre le champ de réception afin d’améliorer la capacité de transformation du réseau. Nous désignons notre réseau de débroussailleuse combinant l’autoencodeur et la régularisation contrastive par AECR-Net. Les expériences étendues sur des jeux de données synthétiques et réels démontrent que notre AECR-Net surpasse les méthodes de pointe. Le code source est disponible à l’adresse suivante : https://github.com/GlassyWu/AECR-Net.