圖像去遮擋

1. 《Self-Supervised Scene De-occlusion》

本文最大的創新點在於自監督的訓練方式。具體的，因爲常用的分割數據集只有modal mask, 而沒有標註好的遮擋物體Ground Truth(amodal mask), 所以作者故意將某示例隨機疊加在當前示例上，人爲的自主構造遮擋數據和對應遮擋mask僞標籤用於訓練遮擋物體重建網絡。
遮擋物體重建步驟如下：

1. 得到遮擋順序圖
2. 根據順序圖重建amodal mask
3. 再根據amodal mask實現內容重建
   
   網絡主體結構如下：
   訓練階段：
   PCNet-M用於重建amodal mask， 基於人爲自主構造的遮擋數據標籤對。兩個case的結合訓練是爲了實現準確填充。
   PCNet-C用於實現內容重建，完成遮擋物體恢復，同樣是基於人爲構造的僞標籤訓練。
   
   測試階段：
   首先判斷遮擋順序。即對相鄰兩個物體，互相作爲對方的遮擋體重建，重建後面積顯著增大的是原始被遮擋物體。
   
   得到遮擋順序後，對任意物體，通過廣義優先搜索獲取其遮擋源，然後送入PCNet-M重建amodal mask（a），再利用PCNet-C，實現內容恢復（b）。