編輯丨極市平臺

• 論文鏈接：https://openreview.net/pdf?id=se2oxj-6Nz
• 源碼鏈接：https://github.com/sunshangquan/ReForDe

圖像質量退化在戶外捕捉的數據上是很常見的，已有很多算法嘗試恢復原始數據。一般的圖像復原任務目標是恢復人類視覺能識別更好的結構特征和物體。然而很多圖像復原任務結果是用于下游視覺任務（目標檢測，語義分割，自動駕駛等），然而這領域的研究關注較少。

目標檢測任務已經取得了很大的成功。然而在常規的目標檢測數據集中，惡劣的天氣條件或較差的成像條件是一般避免或因為數據不足難以訓練。一般圖像訓練得到的檢測器在這些條件下性能嚴重降低。

一種解決方法是從干凈圖像（源域）到受污染圖像（目標域）的域自適應算法。假定存在分布間存在分布轉移。主要缺點是經過域自適應后的模型在源域上性能會變差。

另一種解決方法是聯合訓練視覺質量增強模塊與目標檢測模塊。主要問題是盡管圖像復原網絡取得了人眼看上去令人滿意的結果，檢測器可能還是服從模型產生的分布而不是真實圖像的分布。另外即使模型在干凈圖像和污染圖像上一起訓練，與域自適應類似，模型在干凈圖像上性能任然會下降。

本文對之前用于目標檢測的對抗攻擊算法TOG可能存在陷入局部最優和收斂慢的問題提出改進，提出一種基于動量ADAM變體的對抗樣本生成算法。本文方法指出找到與原始清晰圖像接近的偽標簽數據可能會提升檢測模型性能。本文方法通過有目標的對抗攻擊方法在圖像復原網絡生成的圖像添加一個小擾動使得到的復原圖像更適合檢測器。對抗樣本由最小化檢測器損失函數得到的梯度獲得，并可以作為圖像復原模型的偽GT。在權重微調階段，只更新圖像復原模型，目標檢測模型保持不變。

這里定義圖像復原模型及對應參數和檢測模型及對應參數。給定數據集包含三個部分：受污染的圖像，對應的干凈圖像和檢測標注。目標是訓練圖像復原模型使復原后圖像盡可能接近干凈圖像：，另外目標檢測在復原后圖像上給出正確的檢測結果：。

不包含檢測模型的圖像復原任務的優化可以描述為：

與傳統的圖像復原優化不同的是本文目標是在可視化質量和復原圖像檢測性能上尋找一個平衡。則本文的優化可以視作為一個多任務優化問題，需要滿足復原任務的約束同時減少目標檢測任務的損失函數。該優化問題可以描述為：

是松弛變量控制與GT允許的距離。由于約束的存在該優化問題不容易求解，這里使用對偶函數并加入對偶變量求解：

根據對偶理論，將該優化轉化為：

其中，進一步轉化為：

是另一個松弛變量控制目標檢測模型性能。考慮一個與接近的中間變量，優化過程另一個表述為：

當時，上述兩個優化等價。

本文的優化可以進一步描述為：

當滿足和該優化可以視作為一個有目標對抗攻擊問題。

本文的對抗攻擊算法借鑒針對目標檢測的對抗攻擊算法TOG（ Adversarial objectness gradient attacks in real-time object detection systems）。TOG算法中的對抗攻擊由sign函數與修建（clip）一階損失函數的導數得到。

是擾動步長，是允許的最大擾動尺度。本文指出TOG方法容易陷入局部最優或收斂慢，提出使用ADAM優化器優化對抗樣本。ADAM可以自適應的通過二階動量更新學斜率。

最終生成的偽GT用于微調圖像復原模型。

本文方法在VOC_fog_train和VOC_dark_train數據集上訓練，在VOC_fog_test，RTTS數據集上測試在有霧圖像性能。在VOC_dark_test，ExDark數據集上測試在低光照圖像性能。

YOLOV3檢測器與不同對抗攻擊策略下在有霧圖像實驗結果：

可以看出干凈圖像和污染圖像檢測性能都有明顯下降，YOLOV3在mAP指標上下降了15%。在加入少量擾動后的有目標對抗攻擊后，YOLOV3性能有了明顯提升。比如在RTTS數據集上從42.77%提升到78.50%。另外本文方法與TOG相比取得了更高的檢測性能，大約可以獲得2%到7%的提升。

本文方法可視化比較結果。三列分別是沒有攻擊的算法，TOG算法與本文算法。第一列是YOLOV3結果，第二列是Faster RCNN結果。

低光照條件檢測結果：

類似地，本文方法在低光照圖像上檢測也能取得更高性能，同時復原能有接近精度。