[IJCAI | 论文简读] 图像重建的残差对比学习:从噪声图像中学习可转移表示

简读分享 | 王宇哲 编辑 | 龙文韬

论文题目

Residual Contrastive Learning for Image Reconstruction: Learning Transferable Representations from Noisy Images

论文摘要

本文研究了用于低层次图像恢复和增强任务的对比学习方法，提出了一种新的基于残差、残差对比学习(RCL)的标签高效学习范式，并导出了一种适用于具有噪声输入的低水平视觉任务的无监督视觉表示学习框架。监督图像重构的目标是直接最小化残差项，RCL则通过定义一个新的实例判别前置任务，将残差作为判别特征，在残差和对比学习之间建立联系。本文减轻了现有CL框架中实例区分前置任务和下游图像重建任务之间的严重任务失调。通过实验，本文发现RCL可以学习鲁棒和可转移的表示，从而提高各种下游任务的性能，如去噪和超分辨率，与最近专门为噪声输入设计的自监督方法相比。此外，本文的无监督预训练可以显著降低注释成本，同时保持与全程监督图像重建的性能竞争。

论文链接

https://www.ijcai.org/proceedings/2022/406