論文の概要: Semi-DerainGAN: A New Semi-supervised Single Image Deraining Network

• arxiv url: http://arxiv.org/abs/2001.08388v3
• Date: Wed, 7 Apr 2021 08:27:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 13:05:11.752710
• Title: Semi-DerainGAN: A New Semi-supervised Single Image Deraining Network
• Title（参考訳）: Semi-DerainGAN - 新しい半教師付きシングルイメージデライニングネットワーク
• Authors: Yanyan Wei, Zhao Zhang, Yang Wang, Haijun Zhang, Mingbo Zhao, Mingliang Xu, Meng Wang
• Abstract要約: 本稿では,セミデリンGANと呼ばれる,半教師付きGANベースのデラミニングネットワークを提案する。 2つの教師なしおよび教師なしのプロセスを使用して、一様ネットワークで合成画像と実際の雨画像の両方を使用することができる。 そこで我々は,実対と偽対を識別する識別器を設計した。
• 参考スコア（独自算出の注目度）: 45.78251508028359
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Removing the rain streaks from single image is still a challenging task, since the shapes and directions of rain streaks in the synthetic datasets are very different from real images. Although supervised deep deraining networks have obtained impressive results on synthetic datasets, they still cannot obtain satisfactory results on real images due to weak generalization of rain removal capacity, i.e., the pre-trained models usually cannot handle new shapes and directions that may lead to over-derained/under-derained results. In this paper, we propose a new semi-supervised GAN-based deraining network termed Semi-DerainGAN, which can use both synthetic and real rainy images in a uniform network using two supervised and unsupervised processes. Specifically, a semi-supervised rain streak learner termed SSRML sharing the same parameters of both processes is derived, which makes the real images contribute more rain streak information. To deliver better deraining results, we design a paired discriminator for distinguishing the real pairs from fake pairs. Note that we also contribute a new real-world rainy image dataset Real200 to alleviate the difference between the synthetic and real image do-mains. Extensive results on public datasets show that our model can obtain competitive performance, especially on real images.
• Abstract（参考訳）: 合成データセット内の雨片の形状や方向が実際の画像とは大きく異なるため、単一の画像から雨片を取り除くことは依然として難しい課題である。 教師付き深層レーダリングネットワークは合成データセットで印象的な結果を得たが、雨除去能力の弱さから実際の画像では満足のいく結果が得られず、例えば、事前訓練されたモデルは、通常、オーバーレーダ化/アンダーレーダ化結果につながる可能性のある新しい形状や方向を処理できない。 本稿では,合成画像と実際の雨画像の両方を,2つの教師付きプロセスと教師なしプロセスを用いて一様ネットワークで利用することができる,gan型半教師付き送出ネットワークであるsemi-derainganを提案する。 具体的には、両方のプロセスの同じパラメータを共有するSSRMLと呼ばれる半教師付きレインストリーク学習者が導出され、実際の画像がより雨ストリーク情報に寄与する。 そこで我々は,実際のペアと偽のペアを区別するペア識別器を設計した。 また,合成画像と実画像との差異を緩和するために,新しい実世界の雨画像データセット real200 もコントリビュートしている。 公開データセットの大規模な結果から,本モデルでは,特に実画像上での競合性能が得られた。

関連論文リスト

• Sparse Sampling Transformer with Uncertainty-Driven Ranking for Unified Removal of Raindrops and Rain Streaks [17.00078021737863]
  実際の世界では、雨による画像劣化は、しばしば雨害と雨滴の組み合わせを示し、それによって根底にあるクリーンなイメージを回復する課題が増大する。 本稿は,グローバルな視点における劣化関係を学習し,モデル化するための,効率的かつ柔軟なメカニズムを提案することを目的とする。
  論文  参考訳（メタデータ） (2023-08-27T16:33:11Z)
• Dual Degradation Representation for Joint Deraining and Low-Light Enhancement in the Dark [57.85378202032541]
  暗闇の中での雨は、自律運転や監視システム、夜間写真など、現実世界のアプリケーションをデプロイする上で大きな課題となる。 既存の低照度化や除染法は、低照度を明るくし、同時に雨を取り除くのに苦労する。 L$2$RIRNetと呼ばれるエンド・ツー・エンドのモデルを導入する。
  論文  参考訳（メタデータ） (2023-05-06T10:17:42Z)
• Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
  本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。 安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。 また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-23T13:34:01Z)
• Not Just Streaks: Towards Ground Truth for Single Image Deraining [42.15398478201746]
  実世界の雨天とクリーンなイメージペアの大規模データセットを提案する。 本稿では,雨天と清潔な画像の間の雨害損失を最小限に抑え,基盤となるシーンを再構築するディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-06-22T00:10:06Z)
• Toward Real-world Single Image Deraining: A New Benchmark and Beyond [79.5893880599847]
  現実シナリオにおけるSID(Single Image deraining)は近年注目されている。 以前の実際のデータセットは、低解像度の画像、均一な雨のストリーク、背景の変化の制限、イメージペアの誤調整に悩まされていた。 我々はRealRain-1kという新しい高品質のデータセットを構築した。
  論文  参考訳（メタデータ） (2022-06-11T12:26:59Z)
• Semi-MoreGAN: A New Semi-supervised Generative Adversarial Network for Mixture of Rain Removal [18.04268933542476]
  降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水) セミモレGANは、4つの重要なモジュールで構成されている: (I) 正確な深度推定を提供する新しい注意深度予測ネットワーク、 (ii) 詳細な画像コンテキスト特徴を生成するためによく設計された詳細残差ブロックで構成されたコンテキスト特徴予測ネットワーク、 (iii) ピラミッド深度誘導非局所ネットワークにより画像コンテキストを深度情報と有効に統合し、最終雨量のない画像を生成する、 (iv) モデルに制限を加えるための包括的な半教師付き損失関数。
  論文  参考訳（メタデータ） (2022-04-28T11:35:26Z)
• Semi-DRDNet Semi-supervised Detail-recovery Image Deraining Network via Unpaired Contrastive Learning [59.22620253308322]
  半教師付き詳細復元画像デラミニングネットワーク(セミDRDNet)を提案する。 半教師付き学習パラダイムとして、Semi-DRDNetは、強靭性と詳細な精度を犠牲にして、合成データと実世界の降雨データの両方を円滑に運用する。
  論文  参考訳（メタデータ） (2022-04-06T12:35:27Z)
• Structural Residual Learning for Single Image Rain Removal [48.87977695398587]
  本研究は,本質的な降雨構造を有するネットワークの出力残余を強制することで,新たなネットワークアーキテクチャを提案する。 このような構造的残差設定は、ネットワークによって抽出された雨層が、一般的な雨害の以前の知識に微妙に従うことを保証している。
  論文  参考訳（メタデータ） (2020-05-19T05:52:13Z)

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。