論文の概要: MBA-RainGAN: Multi-branch Attention Generative Adversarial Network for Mixture of Rain Removal from Single Images

• arxiv url: http://arxiv.org/abs/2005.10582v2
• Date: Sat, 23 May 2020 00:21:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 23:37:55.769548
• Title: MBA-RainGAN: Multi-branch Attention Generative Adversarial Network for Mixture of Rain Removal from Single Images
• Title（参考訳）: MBA-RainGAN: 単一画像からの降雨除去を混合するマルチブランチアテンション生成適応ネットワーク
• Authors: Yiyang Shen, Yidan Feng, Sen Deng, Dong Liang, Jing Qin, Haoran Xie, Mingqiang Wei
• Abstract要約: 豪雨の日、ガラスを通して画像が撮影されるとき、雨はシーンオブジェクトの視界をひどく損なう。 1) 雨は雨滴, 雨煙, 雨雲の混合であり, 2) カメラからの深さが物体の視界の度合いを決定する, 3) ガラス上の雨滴は画像空間全体の視界にランダムに影響を及ぼす, 興味深い3つの現象を観察する。
• 参考スコア（独自算出の注目度）: 24.60495609529114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rain severely hampers the visibility of scene objects when images are captured through glass in heavily rainy days. We observe three intriguing phenomenons that, 1) rain is a mixture of raindrops, rain streaks and rainy haze; 2) the depth from the camera determines the degrees of object visibility, where objects nearby and faraway are visually blocked by rain streaks and rainy haze, respectively; and 3) raindrops on the glass randomly affect the object visibility of the whole image space. We for the first time consider that, the overall visibility of objects is determined by the mixture of rain (MOR). However, existing solutions and established datasets lack full consideration of the MOR. In this work, we first formulate a new rain imaging model; by then, we enrich the popular RainCityscapes by considering raindrops, named RainCityscapes++. Furthermore, we propose a multi-branch attention generative adversarial network (termed an MBA-RainGAN) to fully remove the MOR. The experiment shows clear visual and numerical improvements of our approach over the state-of-the-arts on RainCityscapes++. The code and dataset will be available.
• Abstract（参考訳）: 豪雨の日、ガラスを通して画像が撮影されるとき、雨はシーンオブジェクトの視界をひどく損なう。 3つの興味深い現象を観察しました 1) 雨は,雨滴,雨霧,雨の霧の混合物である。 2)カメラからの奥行きは,近距離と遠距離の物体がそれぞれ雨のストレークと雨のヘイズによって視覚的に遮られている物体の視認度を判定する。 3)ガラス上の雨滴は画像空間全体の可視性にランダムに影響を及ぼす。 我々は初めて、オブジェクトの全体視認性は雨の混合(MOR)によって決定されると考える。 しかし、既存のソリューションと確立されたデータセットは、MORを完全に考慮していない。 本研究では,最初に新しいレイン画像モデルを定式化し,雨滴を考慮したレインシティスケープ(RainCityscapes++)を開発した。 さらに,MORを完全に除去するマルチブランチアテンション生成対向ネットワーク(MBA-RainGAN)を提案する。 この実験はraincityscapes++の最先端技術に対するアプローチの視覚的および数値的改善を示している。 コードとデータセットが利用可能になる。

関連論文リスト

• NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
  夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。 雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。 雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
  論文  参考訳（メタデータ） (2024-02-28T09:02:33Z)
• Joint Depth Estimation and Mixture of Rain Removal From a Single Image [24.009353523566162]
  そこで我々は,DeMore-Netと呼ばれる降雨の混合に対する効果的な画像デクリニングパラダイムを提案する。 本研究では,画像のデアライジング作業における正規化手法について検討し,DeMore-Netのデアライジング性能を向上させるためにHNB(Hybrid Normalization Block)を導入する。
  論文  参考訳（メタデータ） (2023-03-31T02:05:45Z)
• 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)
• 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)
• Towards Robust Rain Removal Against Adversarial Attacks: A Comprehensive Benchmark Analysis and Beyond [85.06231315901505]
  雨の除去は、画像やビデオから雨の流れを取り除き、雨による破壊的な影響を減らすことを目的としている。 本稿では, 深層学習に基づく雨害防止手法の強靭性に関する総合的な研究を初めて行おうとする。
  論文  参考訳（メタデータ） (2022-03-31T10:22:24Z)
• M2GAN: A Multi-Stage Self-Attention Network for Image Rain Removal on Autonomous Vehicles [8.642603456626391]
  自動車のフロントガラスに雨滴がぶつかる問題に対処するため,マルチタスク・リカレント・ジェネレーティブ・逆向きネットワーク (M2GAN) を提案する。 M2GANは、自動運転車のような制約のない環境下での現実世界の雨の挑戦的な問題に対処する最初の方法と考えられている。
  論文  参考訳（メタデータ） (2021-10-12T16:58:33Z)
• UnfairGAN: An Enhanced Generative Adversarial Network for Raindrop Removal from A Single Image [8.642603456626391]
  UnfairGANは、エッジや雨量推定といった事前の高レベル情報を活用することで、デライニング性能を向上させることができる、改良された生成的敵ネットワークである。 提案手法は, 定量的な計測値と視覚的品質に関する降雨量について, 従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-11T18:02:43Z)
• 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)
• Dual Attention-in-Attention Model for Joint Rain Streak and Raindrop Removal [103.4067418083549]
  降雨量と降雨量の両方を同時に除去する2つのDAMを含むDual Attention-in-Attention Model (DAiAM)を提案する。 提案手法は,降雨量と降雨量とを同時に除去できるだけでなく,両タスクの最先端性能も達成できる。
  論文  参考訳（メタデータ） (2021-03-12T03:00:33Z)
• 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。