域是一个残差：适应自我监督的特征，而不是生成器

清除镜头中的雾、雨或雪，或将渲染转换为照片，必须删除源域并保留场景。不成对的翻译器将其传递下去，因为它们的生成器看到源外观（像素、近乎可逆的潜伏图或控制图）并保留它。 DINO 特征图修复了场景中的内容，并带有天气、光照和渲染风格，作为特征标准的 13% 到 14% 的剩余部分。我们提出了表示特征适配器（RFA），这是一个移动该残基的 2.9M 参数网络。我们只训练适配器及其鉴别器；编码器和特征条件解码器在所有条件下都经过一次训练，保持冻结状态。与 CycleGAN-Turbo 相比，它在雾和夜间 KID 指标以及雪、雨和雾霾的噪声水平上均领先。在模拟到现实方面，它在两个指标上都领先于 REGEN 和 HyPER-GAN。只有 RFA 才能在保持场景的同时去除雨水。移除场景结构的成本：CycleGAN-Turbo 在除雾之外的各种条件下保留更多。在 VAE 潜伏上，相同的适配器会崩溃为身份，并且来自其他组的解码器从未见过它呈现其输出。 RFA 的可训练参数比 CycleGAN-Turbo 少约 160 倍，并且每个条件的训练时间不到其五分之一。