論文の概要: Conditional Variational Image Deraining
- arxiv url: http://arxiv.org/abs/2004.11373v2
- Date: Fri, 8 May 2020 15:29:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 09:56:05.664047
- Title: Conditional Variational Image Deraining
- Title(参考訳): 条件変動画像レーダリング
- Authors: Ying-Jun Du, Jun Xu, Xian-Tong Zhen, Ming-Ming Cheng, Ling Shao
- Abstract要約: キャラクタリゼーション性能向上のための条件変分画像レイニング(CVID)ネットワーク
本研究では,各画像の降雨密度マップを推定するための空間密度推定(SDE)モジュールを提案する。
合成および実世界のデータセットを用いた実験により,提案したCVIDネットワークは,画像のデライニングにおける従来の決定論的手法よりもはるかに優れた性能が得られることが示された。
- 参考スコア(独自算出の注目度): 158.76814157115223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image deraining is an important yet challenging image processing task. Though
deterministic image deraining methods are developed with encouraging
performance, they are infeasible to learn flexible representations for
probabilistic inference and diverse predictions. Besides, rain intensity varies
both in spatial locations and across color channels, making this task more
difficult. In this paper, we propose a Conditional Variational Image Deraining
(CVID) network for better deraining performance, leveraging the exclusive
generative ability of Conditional Variational Auto-Encoder (CVAE) on providing
diverse predictions for the rainy image. To perform spatially adaptive
deraining, we propose a spatial density estimation (SDE) module to estimate a
rain density map for each image. Since rain density varies across different
color channels, we also propose a channel-wise (CW) deraining scheme.
Experiments on synthesized and real-world datasets show that the proposed CVID
network achieves much better performance than previous deterministic methods on
image deraining. Extensive ablation studies validate the effectiveness of the
proposed SDE module and CW scheme in our CVID network. The code is available at
\url{https://github.com/Yingjun-Du/VID}.
- Abstract(参考訳): イメージデライン化は、重要なが困難な画像処理タスクである。
決定論的イメージデライニング法は性能向上のために開発されているが、確率的推論と多様な予測のための柔軟な表現を学習することは不可能である。
さらに、降雨強度は空間的位置と色チャネルによって異なり、この作業はより困難である。
本稿では,条件付き変分オートエンコーダ(cvae)の排他的生成能力を利用して,雨画像の多様な予測を行う条件付き変分画像デライニング(cvid)ネットワークを提案する。
本研究では,各画像の降雨密度マップを推定する空間密度推定(SDE)モジュールを提案する。
また,降雨密度はカラーチャネルによって異なるため,チャンネルワイズ (cw) 方式を提案する。
合成および実世界のデータセットを用いた実験により,提案したCVIDネットワークは,画像のデライニングにおける従来の決定論的手法よりもはるかに優れた性能が得られることが示された。
広範なアブレーション研究により,提案するsdeモジュールとcwスキームの有効性が検証された。
コードは \url{https://github.com/yingjun-du/vid} で入手できる。
関連論文リスト
- DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳(メタデータ) (2023-12-12T06:07:21Z) - 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) - Adaptive Uncertainty Distribution in Deep Learning for Unsupervised
Underwater Image Enhancement [1.9249287163937976]
ディープラーニングベースの水中画像強化における大きな課題の1つは、高品質なトレーニングデータの可用性の制限である。
本研究では、条件付き変分オートエンコーダ(cVAE)を用いて、深層学習モデルのトレーニングを行う、新しい教師なし水中画像強調フレームワークを提案する。
提案手法は, 定量化と定性化の両面において, 他の最先端手法と比較して, 競争性能が向上することを示す。
論文 参考訳(メタデータ) (2022-12-18T01:07:20Z) - SAPNet: Segmentation-Aware Progressive Network for Perceptual
Contrastive Deraining [2.615176171489612]
単一画像のデライニングのためのコントラスト学習に基づくセグメンテーション・アウェア・プログレッシブ・ネットワーク(SAPNet)を提案する。
本モデルでは,オブジェクト検出とセマンティックセマンティックセグメンテーションを高い精度で支援する。
論文 参考訳(メタデータ) (2021-11-17T03:57:11Z) - 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) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳(メタデータ) (2020-08-08T18:56:51Z) - 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-Scale Progressive Fusion Network for Single Image Deraining [84.0466298828417]
空気中の雨のストリークは、位置からカメラまでの距離が異なるため、様々なぼやけた度合いや解像度で現れる。
同様の降雨パターンは、雨像やマルチスケール(またはマルチレゾリューション)バージョンで見ることができる。
本研究では,入力画像のスケールと階層的な深部特徴の観点から,雨天のマルチスケール協調表現について検討する。
論文 参考訳(メタデータ) (2020-03-24T17:22:37Z)
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。