論文の概要: You Only Look Yourself: Unsupervised and Untrained Single Image Dehazing Neural Network

• arxiv url: http://arxiv.org/abs/2006.16829v1
• Date: Tue, 30 Jun 2020 14:05:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 05:57:27.051309
• Title: You Only Look Yourself: Unsupervised and Untrained Single Image Dehazing Neural Network
• Title（参考訳）: 自分だけに見える:教師なし、訓練なしの単一の画像デハザリングニューラルネットワーク
• Authors: Boyun Li, Yuanbiao Gou, Shuhang Gu, Jerry Zitao Liu, Joey Tianyi Zhou, Xi Peng
• Abstract要約: 地中清浄画像(教師なし)と画像収集(訓練なし)を訓練することなく、深層学習が画像脱ハージングを実現する方法について検討する。 教師なしニューラルネットワークは、ヘイジークリーンなイメージペアの集中的な労働力を回避し、トレーニングされていないモデルは、真のシングルイメージデハージングアプローチである。 層解離のアイデアに触発されて、イメージデハージングのための最初の教師なし、訓練されていないニューラルネットワークの1つになり得る、あなただけ(textbfYOLY)と呼ばれる新しい方法を提案する。
• 参考スコア（独自算出の注目度）: 63.2086502120071
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we study two challenging and less-touched problems in single image dehazing, namely, how to make deep learning achieve image dehazing without training on the ground-truth clean image (unsupervised) and a image collection (untrained). An unsupervised neural network will avoid the intensive labor collection of hazy-clean image pairs, and an untrained model is a ``real'' single image dehazing approach which could remove haze based on only the observed hazy image itself and no extra images is used. Motivated by the layer disentanglement idea, we propose a novel method, called you only look yourself (\textbf{YOLY}) which could be one of the first unsupervised and untrained neural networks for image dehazing. In brief, YOLY employs three jointly subnetworks to separate the observed hazy image into several latent layers, \textit{i.e.}, scene radiance layer, transmission map layer, and atmospheric light layer. After that, these three layers are further composed to the hazy image in a self-supervised manner. Thanks to the unsupervised and untrained characteristics of YOLY, our method bypasses the conventional training paradigm of deep models on hazy-clean pairs or a large scale dataset, thus avoids the labor-intensive data collection and the domain shift issue. Besides, our method also provides an effective learning-based haze transfer solution thanks to its layer disentanglement mechanism. Extensive experiments show the promising performance of our method in image dehazing compared with 14 methods on four databases.
• Abstract（参考訳）: 本稿では, 深層学習を地中清浄画像(教師なし)と画像収集(非教師なし)で訓練することなく, 画像デハジングを実現する方法について, 単一画像デハジングにおける課題と課題の2つについて検討する。 教師なしニューラルネットワークは、hazy-clean画像ペアの集中的な労力の収集を回避し、訓練されていないモデルは、観察されたhazy画像自体のみに基づいてhazeを除去し、余分な画像を使用しない‘'単一イメージデハジングアプローチである。 層解離のアイデアに触発されて、イメージデハジングのための最初の教師なし未学習ニューラルネットワークの1つとして、あなた自身(\textbf{YOLY})と呼ばれる新しい手法を提案する。 簡単に言うと、yolyは観測されたヘイジー画像を複数の潜伏層、すなわち \textit{i.e}, scene radiance layer, transmission map layer, and atmospheric light layerに分割するために3つのサブネットワークを使用している。 その後、これら3つの層は、自己監督的な方法で、さらにヘイズ画像に構成される。 YOLYの教師なし・訓練されていない特徴により,本手法は,ハジークリーンペアや大規模データセットの深層モデルの従来の訓練パラダイムをバイパスし,労働集約データ収集やドメインシフトの問題を回避する。 さらに,本手法は,その層交絡機構により,効果的な学習ベースヘイズ伝達ソリューションも提供する。 4つのデータベース上の14の手法と比較して,画像デハージングにおける本手法の有望な性能を示す。

関連論文リスト

• Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images with Free Attention Masks [64.67735676127208]
  テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。 有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。 上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
  論文  参考訳（メタデータ） (2023-08-13T10:07:46Z)
• SCANet: Self-Paced Semi-Curricular Attention Network for Non-Homogeneous Image Dehazing [56.900964135228435]
  既存の均質脱ハージング法は、強靭な方法でヘイズの不均一分布を扱うのに苦労する。 非均質なイメージデハージングのための,SCANet と呼ばれる新しい自己ペースト半曲的アテンションネットワークを提案する。 本手法は,アテンションジェネレータネットワークとシーン再構築ネットワークから構成される。
  論文  参考訳（メタデータ） (2023-04-17T17:05:29Z)
• Non-aligned supervision for Real Image Dehazing [25.078264991940806]
  非整合的な監督の下で機能する革新的な脱ハージングフレームワークを提案する。 特に、入力されたハジー画像と一致しない明確な参照画像を用いて、デハージングネットワークを監督する非アライメントシナリオを探索する。 我々のシナリオは、誤調整やシフトビューの条件下であっても、現実の環境において、ヘイズ/クリアなイメージペアを収集しやすくする。
  論文  参考訳（メタデータ） (2023-03-08T23:23:44Z)
• Single image dehazing via combining the prior knowledge and CNNs [6.566615606042994]
  本稿では,従来の知識と深層学習を組み合わせることで,欠陥の低減を図るために,エンドツーエンドシステムを提案する。 実験により,提案手法は既存手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-11-10T14:18:25Z)
• From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data [58.50411487497146]
  ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。 まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。 そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
  論文  参考訳（メタデータ） (2021-08-06T04:00:28Z)
• Unsupervised Neural Rendering for Image Hazing [31.108654945661705]
  Image hazingは、ゲーム、撮影、写真のフィルタリング、画像のデハージングなど、さまざまな実用用途に適用可能な、クリーンな画像からヘイズな画像をレンダリングすることを目的としている。 本稿では,ハゼゲンと呼ばれる画像のレンダリング手法を提案する。具体的には,ハゼゲンは知識駆動型ニューラルネットワークであり,新しい先行情報を利用して送信マップを推定する。 エアライトを適応的に学習するために、別の新しい先行技術に基づいてニューラルモジュールを構築する。
  論文  参考訳（メタデータ） (2021-07-14T13:15:14Z)
• Dehaze-GLCGAN: Unpaired Single Image De-hazing via Adversarial Training [3.5788754401889014]
  単一画像デハジングのためのデハジンググローバルローカルサイクル一貫性生成適応ネットワーク(Dehaze-GLCGAN)を提案する。 3つのベンチマークデータセットに対する実験により、ネットワークはPSNRとSSIMの点で過去の作業より優れていたことが判明した。
  論文  参考訳（メタデータ） (2020-08-15T02:43:00Z)
• Learning to See Through Obstructions with Layered Decomposition [117.77024641706451]
  移動画像から不要な障害を取り除くための学習に基づくアプローチを提案する。 本手法は背景要素と閉塞要素の運動差を利用して両方の層を復元する。 本研究では,合成データから得られた提案手法が実画像に対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-08-11T17:59:31Z)
• Learning to See Through Obstructions [117.77024641706451]
  本稿では,移動カメラで撮影した短い画像列から不要な障害物を除去するための学習に基づくアプローチを提案する。 本手法は背景要素と障害物要素の運動差を利用して両方の層を復元する。 合成データ転送のトレーニングは実画像に対して良好であることを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:12Z)

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。