夜间鲁棒性事件网络的增强：通过非配对日夜事件转换
原文中文，约300字，阅读约需1分钟。发表于：。利用 Diffusion GAN，提出一种无配对事件翻译模型，通过分析时空维度中的事件以及新的时间对比学习策略，成功实现了日夜事件之间的翻译，并且有效减轻了性能下降问题。
本文介绍了一种基于CNN描述符的图像检索方法，通过使用基于GAN的合成图像生成器将白天图像转换为夜晚图像，增强了度量学习的效果。同时，提出了一种新型轻量级GAN架构，通过边缘一致性增强原始图像与转换图像之间的一致性，并训练了适用于夜晚和白天图像的边缘检测器。此外，还提出了一种多样锚点挖掘的新方法，以增加训练示例的变化性并提高模型的泛化能力。该方法在东京24/7昼夜检索基准上优于现有技术，并在牛津和巴黎数据集上保持了良好的性能。
