論文の概要: Physical Model Guided Deep Image Deraining

• arxiv url: http://arxiv.org/abs/2003.13242v1
• Date: Mon, 30 Mar 2020 07:08:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 08:33:13.372524
• Title: Physical Model Guided Deep Image Deraining
• Title（参考訳）: 物理モデルによるDeep Image Deraining
• Authors: Honghe Zhu and Cong Wang and Yajie Zhang and Zhixun Su and Guohui Zhao
• Abstract要約: 降雨画像の劣化により、多くのコンピュータビジョンシステムが動作しないため、単一画像のデライン化は緊急の課題である。 本研究では, 物理モデルを用いた単一画像デライニングのための新しいネットワークを提案する。
• 参考スコア（独自算出の注目度）: 10.14977592107907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single image deraining is an urgent task because the degraded rainy image makes many computer vision systems fail to work, such as video surveillance and autonomous driving. So, deraining becomes important and an effective deraining algorithm is needed. In this paper, we propose a novel network based on physical model guided learning for single image deraining, which consists of three sub-networks: rain streaks network, rain-free network, and guide-learning network. The concatenation of rain streaks and rain-free image that are estimated by rain streaks network, rain-free network, respectively, is input to the guide-learning network to guide further learning and the direct sum of the two estimated images is constrained with the input rainy image based on the physical model of rainy image. Moreover, we further develop the Multi-Scale Residual Block (MSRB) to better utilize multi-scale information and it is proved to boost the deraining performance. Quantitative and qualitative experimental results demonstrate that the proposed method outperforms the state-of-the-art deraining methods. The source code will be available at \url{https://supercong94.wixsite.com/supercong94}.
• Abstract（参考訳）: 降雨画像の劣化により、ビデオ監視や自動運転など多くのコンピュータビジョンシステムが機能しないため、単一画像のデライン化は緊急の課題である。 そのため, 投棄が重要となり, 効果的な投棄アルゴリズムが求められている。 本稿では,降雨ストリークスネットワーク,雨のないネットワーク,ガイドラーニングネットワークの3つのサブネットワークからなる,単一画像レーダ化のための物理モデル誘導学習に基づく新しいネットワークを提案する。 雨ストレークネットワーク、雨のないネットワークによって推定される雨のストレークの結合と雨のない画像とをガイド学習ネットワークに入力し、さらなる学習をガイドし、雨の画像の物理モデルに基づいて2つの推定画像の直接和を入力雨画像に拘束する。 さらに, マルチスケール残差ブロック (msrb) の開発により, マルチスケール情報の利用性が向上し, 流出性能が向上した。 定量的および定性的な実験結果から,提案手法は最先端のデラライニング法よりも優れていることが示された。 ソースコードは \url{https://supercong94.wixsite.com/supercong94} で入手できる。

関連論文リスト

• Contrastive Learning Based Recursive Dynamic Multi-Scale Network for Image Deraining [47.764883957379745]
  雨のストリークは撮影画像の可視性を著しく低下させる。 既存のディープラーニングベースの画像デライニング手法では、手作業で構築されたネットワークを使用して、雨の降った画像から明確な画像への直接投影を学習する。 本稿では,雨天画像と澄んだ画像との相関関係を考察した,対照的な学習に基づく画像デライニング手法を提案する。
  論文  参考訳（メタデータ） (2023-05-29T13:51:41Z)
• Single Image Deraining via Feature-based Deep Convolutional Neural Network [13.39233717329633]
  データ駆動型アプローチとモデルベースアプローチを組み合わせた,単一画像デラミニングアルゴリズムを提案する。 実験の結果,提案アルゴリズムは質的,定量的両面で最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-05-03T13:12:51Z)
• Single Image Deraining via Rain-Steaks Aware Deep Convolutional Neural Network [16.866000078306815]
  雨天画像から高周波情報を抽出するために、改良された重み付きガイド画像フィルタ(iWGIF)を提案する。 高周波情報は主にレインステーキとノイズを含み、レインステーキが深い畳み込みニューラルネットワーク(RSADCNN)を認識してレインステーキに注意を払うように誘導することができる。
  論文  参考訳（メタデータ） (2022-09-16T09:16:03Z)
• 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)
• Structure-Preserving Deraining with Residue Channel Prior Guidance [33.41254475191555]
  多くのハイレベルコンピュータビジョンタスクにおいて、単一画像のデアライニングが重要である。 RCP誘導を用いた構造保存評価ネットワーク(SPDNet)を提案する。 SPDNetは、RCPガイダンスの下で、明瞭で正確な構造を持つ高品質な無雨画像を直接生成する。
  論文  参考訳（メタデータ） (2021-08-20T09:09:56Z)
• RCDNet: An Interpretable Rain Convolutional Dictionary Network for Single Image Deraining [49.99207211126791]
  雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。 RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。 このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
  論文  参考訳（メタデータ） (2021-07-14T16:08:11Z)
• Beyond Monocular Deraining: Parallel Stereo Deraining Network Via Semantic Prior [103.49307603952144]
  ほとんどの既存の脱雨アルゴリズムは単一の入力画像のみを使用し、クリーンな画像の復元を目指しています。 本稿では,ステレオ画像とセマンティック情報の両方を利用するPaired Rain Removal Network(PRRNet)を提案する。 単分子および新たに提案したステレオ降雨データセットの両方の実験により,提案手法が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2021-05-09T04:15:10Z)
• 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)
• A Model-driven Deep Neural Network for Single Image Rain Removal [52.787356046951494]
  完全解釈可能なネットワーク構造を持つモデル駆動型ディープニューラルネットワークを提案する。 雨を表現するための畳み込み辞書学習機構に基づいて,新しい単一画像デレーニングモデルを提案する。 すべてのレインカーネルとオペレータは自動的に抽出され、レイン層とクリーンなバックグラウンド層の両方の特徴を忠実に特徴付けることができる。
  論文  参考訳（メタデータ） (2020-05-04T09:13:25Z)
• Multi-Task Learning Enhanced Single Image De-Raining [9.207797392774465]
  画像の降雨除去はコンピュータビジョンにおいて重要な課題であり、より多くの人々の注目を集めている。 本稿では,1枚の画像からレインストリークの視覚効果を除去する非自明な問題に対処する。 本手法は,降雨除去のためのマルチタスク回帰モデルにおいて,様々な意味制約タスクを組み合わさったものである。
  論文  参考訳（メタデータ） (2020-03-21T16:19:56Z)

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。