論文の概要: Residual Squeeze-and-Excitation Network for Fast Image Deraining

• arxiv url: http://arxiv.org/abs/2006.00757v1
• Date: Mon, 1 Jun 2020 07:17:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 06:48:39.297261
• Title: Residual Squeeze-and-Excitation Network for Fast Image Deraining
• Title（参考訳）: 高速画像レーディングのための残留スクイーズ・アンド・エクスシテーションネットワーク
• Authors: Jun Fu and Jianfeng Xu and Kazuyuki Tasaka and Zhibo Chen
• Abstract要約: 本稿では,高速な画像デライニングのための残差圧縮・励起ネットワークRSENを提案する。 RSENは軽量のエンコーダデコーダアーキテクチャを採用し、1つの段階で雨除去を行う。
• 参考スコア（独自算出の注目度）: 19.48155134126906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image deraining is an important image processing task as rain streaks not only severely degrade the visual quality of images but also significantly affect the performance of high-level vision tasks. Traditional methods progressively remove rain streaks via different recurrent neural networks. However, these methods fail to yield plausible rain-free images in an efficient manner. In this paper, we propose a residual squeeze-and-excitation network called RSEN for fast image deraining as well as superior deraining performance compared with state-of-the-art approaches. Specifically, RSEN adopts a lightweight encoder-decoder architecture to conduct rain removal in one stage. Besides, both encoder and decoder adopt a novel residual squeeze-and-excitation block as the core of feature extraction, which contains a residual block for producing hierarchical features, followed by a squeeze-and-excitation block for channel-wisely enhancing the resulted hierarchical features. Experimental results demonstrate that our method can not only considerably reduce the computational complexity but also significantly improve the deraining performance compared with state-of-the-art methods.
• Abstract（参考訳）: 画像レーダ処理は,画像の視覚品質を著しく低下させるだけでなく,高レベルの視覚タスクのパフォーマンスにも大きな影響を与えるため,重要な画像処理タスクである。 従来の方法では、異なるリカレントニューラルネットワークを介して雨のストリークを徐々に除去する。 しかし,これらの手法では降雨のない画像が効果的に得られない。 本稿では, 高速な画像デライニングと, 最先端の手法に比べて優れたデライニング性能を実現するために, RSENと呼ばれる残差圧縮・励起ネットワークを提案する。 具体的には、RSENは軽量なエンコーダデコーダアーキテクチャを採用し、1段階で雨除去を行う。 さらに, エンコーダとデコーダは, 特徴抽出のコアとして, 階層的特徴を生成するための残差ブロックと, その結果の階層的特徴をチャネル的に強化するシャープ・アンド・エキサイザブロックを新たに導入した。 実験結果から,本手法は計算複雑性を著しく低減するだけでなく,最先端の手法に比べて劣化性能を著しく向上させることができることがわかった。

関連論文リスト

• RainyScape: Unsupervised Rainy Scene Reconstruction using Decoupled Neural Rendering [50.14860376758962]
  多視点降雨画像の集合からクリーンなシーンを再構築するための教師なしフレームワークであるRainyScapeを提案する。 ニューラルネットワークのスペクトルバイアス特性に基づいて、まずニューラルネットワークのレンダリングパイプラインを最適化し、低周波シーン表現を得る。 我々は2つのモジュールを協調的に最適化し,適応的指向性勾配に基づく再構成損失によって駆動する。
  論文  参考訳（メタデータ） (2024-04-17T14:07:22Z)
• Efficient Diffusion Model for Image Restoration by Residual Shifting [63.02725947015132]
  本研究では,画像復元のための新しい,効率的な拡散モデルを提案する。 提案手法は,推論中の後処理の高速化を回避し,関連する性能劣化を回避する。 提案手法は,3つの古典的IRタスクにおける現在の最先端手法よりも優れた,あるいは同等の性能を実現する。
  論文  参考訳（メタデータ） (2024-03-12T05:06:07Z)
• Dynamic Association Learning of Self-Attention and Convolution in Image Restoration [56.49098856632478]
  CNNとSelf attentionは、画像修復における自己意識と畳み込みの動的関連学習のためのマルチメディアアプリケーションにおいて大きな成功を収めている。 本稿では,その利点を活かし,その欠点を抑え,高品質で効率的な塗布を実現するためのアソシエーション学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-09T05:11:24Z)
• RBSR: Efficient and Flexible Recurrent Network for Burst Super-Resolution [57.98314517861539]
  バースト超解像(BurstSR)は、高解像度(HR)画像を低解像度(LR)画像と雑音画像から再構成することを目的としている。 本稿では,効率よくフレキシブルなリカレントネットワークでフレーム単位のキューを融合させることを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:14:13Z)
• 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)
• From heavy rain removal to detail restoration: A faster and better network [26.60300982543502]
  そこで本研究では,DPENetと呼ばれる2段階進行性拡張ネットワークを導入し,効率的なデラリニングを実現する。 本手法は,雨害除去ネットワーク(R$2$Net)と,無雨画像のテクスチャ的詳細を復元する詳細再構成ネットワーク(DRNet)の2つの重要なモジュールから構成される。
  論文  参考訳（メタデータ） (2022-05-07T04:55:05Z)
• Single Image Deraining Network with Rain Embedding Consistency and Layered LSTM [14.310541943673181]
  本稿では,オートエンコーダのエンコード埋め込みを理想的な雨埋め込みとして,「レイン埋め込み一貫性」の概念を紹介した。 レイン・エンベディング・ロス(Rain Embedding Loss)は、法定局所コントラスト正規化(Rectified Local Contrast Normalization)をガイドとして、エンコーディングプロセスを直接監督するために適用される。 また,異なるスケールを考慮した繰り返しデラリニングおよび微細エンコーダ機能改善のための層状LSTMを提案する。
  論文  参考訳（メタデータ） (2021-11-05T17:03:08Z)
• 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)
• 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。