机构名称：
¥ 1.0
现实世界的图像旨在消除各种不良天气相关的伪影。由于同时捕获图像对的不可能，现有的现有世界脱水数据集经常表现出不一致的不一致，位置和地面真实性之间的纹理和质地，并导致输入降解的图像，从而导致不完善的监督。这种非理想的监督对基于学习的脱水甲基动物的训练过程产生负面影响。在这项工作中，我们尝试通过统一的解决方案解决各种不一致的解决方案。具体而言，通过信息瓶颈理论所涉及的，我们首先开发一个一致的标签构造函数（CLC），以生成伪标签，同时与输入降级的图像尽可能一致，同时消除大多数与天气相关的降解。在特定的情况下，电流输入的多个相邻帧也被送入CLC，以增强伪标记。然后，我们将原始的不完美标签和伪标签汇总，以通过拟议的信息分配策略（IAS）共同监督降雨模型。在测试期间，仅使用脱气模型用于推断。在两个现实世界中的deweathering数据集上进行的实验表明，我们的方法有助于现有的脱水模型实现更好的表现。代码可在https://github.com/1180300419/ Interfect-deweathering获得。
学习现实世界图像不完美的监督
主要关键词
相关文件推荐
