論文の概要: Structural Residual Learning for Single Image Rain Removal

• arxiv url: http://arxiv.org/abs/2005.09228v1
• Date: Tue, 19 May 2020 05:52:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 14:35:33.128640
• Title: Structural Residual Learning for Single Image Rain Removal
• Title（参考訳）: 単画像雨雨除去のための構造残差学習
• Authors: Hong Wang, Yichen Wu, Qi Xie, Qian Zhao, Yong Liang, Deyu Meng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 48.87977695398587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To alleviate the adverse effect of rain streaks in image processing tasks, CNN-based single image rain removal methods have been recently proposed. However, the performance of these deep learning methods largely relies on the covering range of rain shapes contained in the pre-collected training rainy-clean image pairs. This makes them easily trapped into the overfitting-to-the-training-samples issue and cannot finely generalize to practical rainy images with complex and diverse rain streaks. Against this generalization issue, this study proposes a new network architecture by enforcing the output residual of the network possess intrinsic rain structures. Such a structural residual setting guarantees the rain layer extracted by the network finely comply with the prior knowledge of general rain streaks, and thus regulates sound rain shapes capable of being well extracted from rainy images in both training and predicting stages. Such a general regularization function naturally leads to both its better training accuracy and testing generalization capability even for those non-seen rain configurations. Such superiority is comprehensively substantiated by experiments implemented on synthetic and real datasets both visually and quantitatively as compared with current state-of-the-art methods.
• Abstract（参考訳）: 画像処理タスクにおけるレインストリークの悪影響を軽減するため,CNNに基づく単一雨量除去手法が最近提案されている。 しかし,これらの深層学習手法の性能は,事前収集した雨・クリーニング画像ペアに含まれる雨の形状範囲に大きく依存する。 これにより、トレーニング用サンプルの過度な問題に陥りやすくなり、複雑で多様な雨天を持つ実用的な雨天画像に微妙に一般化することができない。 本研究は,本研究では,降雨構造を有するネットワークの出力残差を強制することにより,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事前の知識に微妙に従うことを保証し、トレーニングおよび予測段階において雨害画像から十分に抽出可能な音響雨形状を規制する。 このような一般的な正規化関数は、自然とより優れたトレーニング精度とテストの一般化能力の両方をもたらす。 このような優越性は、現在の最先端の手法と比較して、視覚的かつ定量的に、合成データと実データの両方に実装された実験によって包括的に証明される。

関連論文リスト

• TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
  本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。 その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。 提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-15T03:27:39Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• Deep Single Image Deraining using An Asymetric Cycle Generative and Adversarial Framework [16.59494337699748]
  単体画像デライニングのための新しいACGF(Asymetric Cycle Generative and Adrial framework)を提案する。 ACGFは合成雨像と実際の雨像の両方を訓練し、同時に雨の流れと霧の特徴を捉えている。 基準降雨量と降雨量のデータセットによる実験では、ACGFは最先端のデラライニング法よりも優れていた。
  論文  参考訳（メタデータ） (2022-02-19T16:14:10Z)
• 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)

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。