Fugu-MT 論文翻訳(概要): Deep Convolutional Sparse Coding Networks for Image Fusion

論文の概要: Deep Convolutional Sparse Coding Networks for Image Fusion

arxiv url: http://arxiv.org/abs/2005.08448v1
Date: Mon, 18 May 2020 04:12:01 GMT
ステータス: 処理完了
システム内更新日: 2022-12-02 00:32:03.677108
Title: Deep Convolutional Sparse Coding Networks for Image Fusion
Title（参考訳）: 画像融合のための深い畳み込みスパース符号化ネットワーク
Authors: Shuang Xu, Zixiang Zhao, Yicheng Wang, Chunxia Zhang, Junmin Liu, Jiangshe Zhang
Abstract要約: 深層学習は画像融合の重要なツールとして登場した。本稿では,3種類の画像融合タスクのための3種類の深部畳み込みスパース符号化(CSC)ネットワークを提案する。
参考スコア（独自算出の注目度）: 29.405149234582623
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Image fusion is a significant problem in many fields including digital photography, computational imaging and remote sensing, to name but a few. Recently, deep learning has emerged as an important tool for image fusion. This paper presents three deep convolutional sparse coding (CSC) networks for three kinds of image fusion tasks (i.e., infrared and visible image fusion, multi-exposure image fusion, and multi-modal image fusion). The CSC model and the iterative shrinkage and thresholding algorithm are generalized into dictionary convolution units. As a result, all hyper-parameters are learned from data. Our extensive experiments and comprehensive comparisons reveal the superiority of the proposed networks with regard to quantitative evaluation and visual inspection.
Abstract（参考訳）: 画像融合は、デジタル写真、コンピュータ画像、リモートセンシングなど、多くの分野において重要な問題である。近年,画像融合の重要なツールとしてディープラーニングが登場している。本稿では,3種類の画像融合タスク(赤外線および可視画像融合,マルチ露光画像融合,マルチモーダル画像融合)のための,csc(deep convolutional sparse coding)ネットワークについて述べる。 CSCモデルと反復縮小およびしきい値アルゴリズムを辞書畳み込み単位に一般化する。その結果、すべてのハイパーパラメータはデータから学習される。本研究では,定量的評価と視覚検査に関して,提案するネットワークの優位性を明らかにする。

関連論文リスト

Fusion from Decomposition: A Self-Supervised Approach for Image Fusion and Beyond [74.96466744512992]
画像融合の本質は、ソース画像からの相補的な情報を統合することである。 DeFusion++は、画像融合の品質を高め、下流の高レベル視覚タスクの有効性を高める、汎用的な融合表現を生成する。
論文参考訳（メタデータ） (2024-10-16T06:28:49Z)
A Task-guided, Implicitly-searched and Meta-initialized Deep Model for Image Fusion [69.10255211811007]
本稿では,課題の多い現実シナリオにおいて,画像融合問題に対処するためのタスク誘導,インプリシト検索,メタ一般化(TIM)深層モデルを提案する。具体的には、画像融合の教師なし学習プロセスを導くために、下流タスクからの情報を組み込む制約付き戦略を提案する。このフレームワーク内に暗黙の探索スキームを設計し、高速な融合モデルのためのコンパクトなアーキテクチャを自動で発見する。
論文参考訳（メタデータ） (2023-05-25T08:54:08Z)
An Interactively Reinforced Paradigm for Joint Infrared-Visible Image Fusion and Saliency Object Detection [59.02821429555375]
この研究は、野生の隠れた物体の発見と位置決めに焦点をあて、無人のシステムに役立てる。経験的分析により、赤外線と可視画像融合(IVIF)は、難しい物体の発見を可能にする。マルチモーダル・サリエント・オブジェクト検出(SOD)は、画像内の物体の正確な空間的位置を正確に記述する。
論文参考訳（メタデータ） (2023-05-17T06:48:35Z)
CoCoNet: Coupled Contrastive Learning Network with Multi-level Feature Ensemble for Multi-modality Image Fusion [72.8898811120795]
我々は、赤外線と可視画像の融合を実現するために、CoCoNetと呼ばれるコントラスト学習ネットワークを提案する。本手法は,主観的評価と客観的評価の両面において,最先端(SOTA)性能を実現する。
論文参考訳（メタデータ） (2022-11-20T12:02:07Z)
Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文参考訳（メタデータ） (2022-04-19T17:59:45Z)
TransFuse: A Unified Transformer-based Image Fusion Framework using Self-supervised Learning [5.849513679510834]
画像融合(英: Image fusion)とは、複数のソース画像からの情報を補完情報と統合し、単一の画像の豊かさを改善する技術である。 2段階の手法では、大規模な自然言語データセット上でエンコーダ・デコーダネットワークをトレーニングすることで、タスク固有の大量のトレーニングデータの必要性を回避する。本稿では, ネットワークがタスク固有の特徴を学習することを奨励する, 破壊再構成に基づく自己指導型学習手法を提案する。
論文参考訳（メタデータ） (2022-01-19T07:30:44Z)
Image deblurring based on lightweight multi-information fusion network [6.848061582669787]
画像デブロアリングのための軽量多情報融合ネットワーク(LMFN)を提案する。符号化段階では、画像特徴は、マルチスケール情報抽出および融合のための様々な小規模空間に還元される。その後、デコード段階で蒸留ネットワークが使用され、ネットワークは残留学習から最も利益を得ます。私たちのネットワークは、少ないパラメータで最新の画像破壊結果を達成し、モデルの複雑さで既存の方法を上回ることができます。
論文参考訳（メタデータ） (2021-01-14T00:37:37Z)
FuseVis: Interpreting neural networks for image fusion using per-pixel saliency visualization [10.156766309614113]
教師なし学習に基づく畳み込みニューラルネットワーク(CNN)は、様々な種類の画像融合タスクに利用されている。画像融合タスクにおけるこれらのCNNの信頼性を解析することは、根拠が得られないので困難である。本稿では,FuseVisという新たなリアルタイム可視化ツールを提案する。
論文参考訳（メタデータ） (2020-12-06T10:03:02Z)
Real-MFF: A Large Realistic Multi-focus Image Dataset with Ground Truth [58.226535803985804]
我々はReal-MFFと呼ばれる大規模で現実的なマルチフォーカスデータセットを導入する。データセットは、710対のソースイメージと対応する接地真理画像を含む。このデータセット上で10の典型的なマルチフォーカスアルゴリズムを図示のために評価する。
論文参考訳（メタデータ） (2020-03-28T12:33:46Z)
3D Gated Recurrent Fusion for Semantic Scene Completion [32.86736222106503]
本稿では,セマンティック・シーン・コンプリート(SSC)タスクにおけるデータ融合の問題に取り組む。本稿では,3次元ゲート型リカレント核融合ネットワーク(GRFNet)を提案する。 2つのベンチマークデータセットに対する実験は、SSCにおけるデータ融合のための提案されたGRFNetの優れた性能と有効性を示す。
論文参考訳（メタデータ） (2020-02-17T21:45:43Z)

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。