コンパクトな単一画像の霞消去のための対照学習

単一画像の霞消去は、情報の著しい劣化が生じるため、難しい不適切な問題とされている。しかし、従来の深層学習に基づく霞消去手法は、主に明瞭な画像をポジティブサンプルとして用いてネットワークの学習をガイドしている一方で、ネガティブな情報は活用されていない。さらに、多くの手法はネットワークの深さと幅を増加させることで性能を強化しようとしており、計算量およびメモリ使用量が著しく増大するという課題がある。本論文では、対照学習に基づく新しい対照正則化（Contrastive Regularization, CR）を提案する。このCRは、霞がかかった画像をネガティブサンプル、明瞭な画像をポジティブサンプルとして、両者の情報を活用する。CRにより、表現空間において復元画像が明瞭画像に近づき、霞がかかった画像から遠ざかるように制約される。さらに、性能とメモリ使用量のトレードオフを考慮し、オートエンコーダー（AE）型のフレームワークに基づくコンパクトな霞消去ネットワークを構築した。このネットワークは、適応的ミックスアップ操作と動的特徴強化モジュールを含み、それぞれ情報伝達の適応的保持と受容fieldの拡大を通じて、ネットワークの変換能力を向上させる。本手法をオートエンコーダーと対照正則化を組み合わせたものとして、AECR-Netと命名する。合成データセットおよび実世界データセットにおける広範な実験により、AECR-Netが最先端手法を上回る性能を達成することが示された。実装コードは、https://github.com/GlassyWu/AECR-Net にて公開されている。