論文の概要: Rain Streak Removal in a Video to Improve Visibility by TAWL Algorithm
- arxiv url: http://arxiv.org/abs/2007.05167v1
- Date: Fri, 10 Jul 2020 05:07:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 22:25:07.761983
- Title: Rain Streak Removal in a Video to Improve Visibility by TAWL Algorithm
- Title（参考訳）: TAWLアルゴリズムによる可視性向上のためのビデオにおける降雨ストリーク除去
- Authors: Muhammad Rafiqul Islam, Manoranjan Paul
- Abstract要約: 本研究では, 熱帯雨林の時間的外観, 広角形状, 相対的な位置に着目した3つの新しい抽出特徴を組み合わせる手法を提案する。
TAWL法では,異なる解像度とフレームレートの特徴を適応的に利用し,雨をリアルタイムに除去する。
実雨と合成雨の両方の映像シーケンスを用いて実験を行い, 提案手法の性能を関連する最先端手法と比較した。
- 参考スコア（独自算出の注目度）: 12.056495277232118
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In computer vision applications, the visibility of the video content is
crucial to perform analysis for better accuracy. The visibility can be affected
by several atmospheric interferences in challenging weather-one of them is the
appearance of rain streak. In recent time, rain streak removal achieves lots of
interest to the researchers as it has some exciting applications such as
autonomous car, intelligent traffic monitoring system, multimedia, etc. In this
paper, we propose a novel and simple method by combining three novel extracted
features focusing on temporal appearance, wide shape and relative location of
the rain streak and we called it TAWL (Temporal Appearance, Width, and
Location) method. The proposed TAWL method adaptively uses features from
different resolutions and frame rates. Moreover, it progressively processes
features from the up-coming frames so that it can remove rain in the real-time.
The experiments have been conducted using video sequences with both real rains
and synthetic rains to compare the performance of the proposed method against
the relevant state-of-the-art methods. The experimental results demonstrate
that the proposed method outperforms the state-of-the-art methods by removing
more rain streaks while keeping other moving regions.
- Abstract（参考訳）: コンピュータビジョンアプリケーションでは、ビデオコンテンツの可視性は、より正確な分析を行うために不可欠である。
可視性はいくつかの大気干渉の影響を受けうるが、そのうちの1つは雨天の出現である。
近年,自律走行車,インテリジェント交通監視システム,マルチメディアなどのエキサイティングな応用が期待されているため,雨害の除去は研究者にとって大きな関心を集めている。
そこで本研究では,雨林の時間的外観,形状,相対的な位置に着目した3つの抽出特徴を組み合わせることで,新しい簡易な手法を提案し,taul法(temporal appearance, width, and location)と呼ぶ。
提案手法では,解像度やフレームレートの異なる特徴を適応的に利用する。
さらに、先行するフレームから徐々に機能を処理して、リアルタイムに雨を除去できるようにします。
実験は,実雨と人工雨を併用したビデオシーケンスを用いて実施し,提案手法の性能を関連する最先端手法と比較した。
実験の結果,提案手法は,他の移動領域を保ちながらより多くの雨裂を除去し,最先端手法を上回っていることがわかった。
関連論文リスト
- RainMamba: Enhanced Locality Learning with State Space Models for Video Deraining [14.025870185802463]
我々は,シーケンスレベルのローカル情報をよりよくキャプチャするための,新しいヒルベルト機構を備えた改良されたSSMベースのビデオデライニングネットワーク(RainMamba)を提案する。
また,提案したネットワークのパッチレベルの自己相似学習能力を高めるために,差分誘導動的コントラスト学習戦略を導入する。
論文 参考訳（メタデータ） (2024-07-31T17:48:22Z) - Genuine Knowledge from Practice: Diffusion Test-Time Adaptation for
Video Adverse Weather Removal [53.15046196592023]
ビデオの悪天候除去におけるテスト時間適応について紹介する。
本稿では,テスト時間適応を反復拡散逆プロセスに統合する最初のフレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-12T14:21:30Z) - Towards General and Fast Video Derain via Knowledge Distillation [10.614356931086267]
我々は知識蒸留(RRGNet)による一般ビデオデラインネットワークを提案する。
ビデオの時間情報をフル活用するフレームグルーピング方式のエンコーダデコーダネットワークを設計する。
ネットワークのデライン機能を強化するために,現在のモデルのために古いタスクからのデータを再生するためのレインレビューモジュールを設計する。
論文 参考訳（メタデータ） (2023-08-10T05:27:43Z) - Counting Crowds in Bad Weather [68.50690406143173]
本研究では,悪天候シナリオにおいて,ロバストな群集カウント手法を提案する。
モデルでは,外見のバリエーションが大きいことを考慮し,効果的な特徴と適応的なクエリを学習する。
実験の結果,提案アルゴリズムは,ベンチマークデータセット上で異なる気象条件下での群集のカウントに有効であることが示唆された。
論文 参考訳（メタデータ） (2023-06-02T00:00:09Z) - 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) - 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) - Uncertainty-Aware Cascaded Dilation Filtering for High-Efficiency
Deraining [25.669665033163497]
レイニングは、雨の日に撮影された画像やビデオから雨の流れや蓄積を取り除くことを目的とした、重要かつ基本的なコンピュータビジョンタスクである。
既存のデラリニング法は通常、雨モデルの仮定を行い、複雑な最適化や、高い回復品質のために反復的な改善を施すことを補完する。
本研究では, 複雑な降雨モデル仮定を伴わない予測フィルタ問題として, 簡易かつ効率的なデライニング法を提案する。
論文 参考訳（メタデータ） (2022-01-07T08:31:57Z) - 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) - 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) - Multi-Scale Progressive Fusion Network for Single Image Deraining [84.0466298828417]
空気中の雨のストリークは、位置からカメラまでの距離が異なるため、様々なぼやけた度合いや解像度で現れる。
同様の降雨パターンは、雨像やマルチスケール(またはマルチレゾリューション)バージョンで見ることができる。
本研究では,入力画像のスケールと階層的な深部特徴の観点から,雨天のマルチスケール協調表現について検討する。
論文 参考訳（メタデータ） (2020-03-24T17:22:37Z)
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。