Fugu-MT 論文翻訳(概要): FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing

論文の概要: FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing

arxiv url: http://arxiv.org/abs/2001.06968v2
Date: Wed, 24 Mar 2021 08:27:44 GMT
ステータス: 処理完了
システム内更新日: 2023-01-08 05:32:37.879002
Title: FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing
Title（参考訳）: FD-GAN:単一画像デハージングのための核融合識別器を用いた生成的対向ネットワーク
Authors: Yu Dong, Yihao Liu, He Zhang, Shifeng Chen, Yu Qiao
Abstract要約: 画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。我々のモデルは、より自然でリアルなデハズド画像を生成することができ、色歪みは少なく、アーティファクトも少ない。実験により, 提案手法は, 公開合成データセットと実世界の画像の両方において, 最先端の性能に達することが示された。
参考スコア（独自算出の注目度）: 48.65974971543703
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently, convolutional neural networks (CNNs) have achieved great improvements in single image dehazing and attained much attention in research. Most existing learning-based dehazing methods are not fully end-to-end, which still follow the traditional dehazing procedure: first estimate the medium transmission and the atmospheric light, then recover the haze-free image based on the atmospheric scattering model. However, in practice, due to lack of priors and constraints, it is hard to precisely estimate these intermediate parameters. Inaccurate estimation further degrades the performance of dehazing, resulting in artifacts, color distortion and insufficient haze removal. To address this, we propose a fully end-to-end Generative Adversarial Networks with Fusion-discriminator (FD-GAN) for image dehazing. With the proposed Fusion-discriminator which takes frequency information as additional priors, our model can generator more natural and realistic dehazed images with less color distortion and fewer artifacts. Moreover, we synthesize a large-scale training dataset including various indoor and outdoor hazy images to boost the performance and we reveal that for learning-based dehazing methods, the performance is strictly influenced by the training data. Experiments have shown that our method reaches state-of-the-art performance on both public synthetic datasets and real-world images with more visually pleasing dehazed results.
Abstract（参考訳）: 近年,畳み込みニューラルネットワーク(cnns)は単一画像のデハージングにおいて大きな改善を達成し,研究の注目を集めている。既存の学習に基づくデハジング手法のほとんどは、完全なエンドツーエンドではない。それは、まず媒質の伝達と大気光を推定し、次に大気散乱モデルに基づいてヘイズフリーな画像を復元する従来のデハジング手順に従っている。しかし、実際には、事前と制約の欠如のため、これらの中間パラメータを正確に推定することは困難である。不正確な推定は、さらに脱湿性能を低下させ、その結果、アーティファクト、色歪み、および不十分なヘイズ除去をもたらす。画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。周波数情報を付加するFusion-discriminatorを提案することで、より自然でリアルなデハズド画像を生成することができ、色歪みが少なく、アーティファクトも少ない。さらに,様々な室内および屋外のヘイジー画像を含む大規模トレーニングデータセットを合成し,学習に基づくデヘイジング手法では,トレーニングデータに厳格な影響があることを明らかにした。実験により,提案手法は,公開合成データセットと実世界の画像の両方において,より視覚的に見栄えのよい結果が得られることを示した。

関連論文リスト

LMHaze: Intensity-aware Image Dehazing with a Large-scale Multi-intensity Real Haze Dataset [14.141433473509826]
本稿では,大規模で高品質な実世界のデータセットLMHazeを紹介する。 LMHazeは、屋内および屋外の多様な環境で撮影された、ヘイズフリーとヘイズフリーの2つの画像で構成されている。そこで本研究では,Mambaをベースとした混合実験モデルを提案する。
論文参考訳（メタデータ） (2024-10-21T15:20:02Z)
One Step Diffusion-based Super-Resolution with Time-Aware Distillation [60.262651082672235]
拡散に基づく画像超解像(SR)法は,低解像度画像から細部まで細部まで,高解像度画像の再構成に有望であることを示す。近年,拡散型SRモデルの知識蒸留によるサンプリング効率の向上が試みられている。我々は,効率的な画像超解像を実現するため,TAD-SRというタイムアウェア拡散蒸留法を提案する。
論文参考訳（メタデータ） (2024-08-14T11:47:22Z)
RSHazeDiff: A Unified Fourier-aware Diffusion Model for Remote Sensing Image Dehazing [32.16602874389847]
Hazeはリモートセンシング画像の視覚的品質を著しく低下させる。本稿では,RSHazeDiffと呼ばれるリモートセンシング画像デハージングのための新しいFourier-aware拡散モデルを提案する。合成および実世界のベンチマークの実験は、最先端の手法よりもRSHazeDiffの好ましい性能を検証する。
論文参考訳（メタデータ） (2024-05-15T04:22:27Z)
DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文参考訳（メタデータ） (2024-03-20T04:58:03Z)
Frequency Compensated Diffusion Model for Real-scene Dehazing [6.105813272271171]
本研究では,実ヘイズへの一般化を改善する条件付き拡散モデルに基づく脱ヘイズフレームワークについて考察する。提案手法は, 実世界の画像において, 最先端の手法よりも有意に優れていた。
論文参考訳（メタデータ） (2023-08-21T06:50:44Z)
ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文参考訳（メタデータ） (2023-07-15T04:48:35Z)
Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
論文参考訳（メタデータ） (2023-05-15T20:24:38Z)
From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data [58.50411487497146]
ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
論文参考訳（メタデータ） (2021-08-06T04:00:28Z)
Advanced Multiple Linear Regression Based Dark Channel Prior Applied on Dehazing Image and Generating Synthetic Haze [0.6875312133832078]
筆者らは,ダークチャネル・プリアー(dark channel prior)というデヘイジングアルゴリズムに基づく多重線形回帰ヘイズ除去モデルを提案する。湿潤環境における物体検出精度を高めるため, 著者らは, 合成湿潤COCOトレーニングデータセットを構築するアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-03-12T03:32:08Z)
Dehaze-GLCGAN: Unpaired Single Image De-hazing via Adversarial Training [3.5788754401889014]
単一画像デハジングのためのデハジンググローバルローカルサイクル一貫性生成適応ネットワーク(Dehaze-GLCGAN)を提案する。 3つのベンチマークデータセットに対する実験により、ネットワークはPSNRとSSIMの点で過去の作業より優れていたことが判明した。
論文参考訳（メタデータ） (2020-08-15T02:43:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。