論文の概要: Wavelet Channel Attention Module with a Fusion Network for Single Image Deraining

• arxiv url: http://arxiv.org/abs/2007.09163v1
• Date: Fri, 17 Jul 2020 18:06:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 12:46:00.200824
• Title: Wavelet Channel Attention Module with a Fusion Network for Single Image Deraining
• Title（参考訳）: 単一画像参照のための融合ネットワークを備えたウェーブレットチャネルアテンションモジュール
• Authors: Hao-Hsiang Yang, Chao-Han Huck Yang, Yu-Chiang Frank Wang
• Abstract要約: 雨が画像の視界を著しく悪化させるため、単一画像のデライン化は重要な問題である。 融合ネットワークを用いたウェーブレットチャネルアテンションモジュールと呼ばれる新しい畳み込みニューラルネットワーク(CNN)を提案する。
• 参考スコア（独自算出の注目度）: 46.62290347397139
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single image deraining is a crucial problem because rain severely degenerates the visibility of images and affects the performance of computer vision tasks like outdoor surveillance systems and intelligent vehicles. In this paper, we propose the new convolutional neural network (CNN) called the wavelet channel attention module with a fusion network. Wavelet transform and the inverse wavelet transform are substituted for down-sampling and up-sampling so feature maps from the wavelet transform and convolutions contain different frequencies and scales. Furthermore, feature maps are integrated by channel attention. Our proposed network learns confidence maps of four sub-band images derived from the wavelet transform of the original images. Finally, the clear image can be well restored via the wavelet reconstruction and fusion of the low-frequency part and high-frequency parts. Several experimental results on synthetic and real images present that the proposed algorithm outperforms state-of-the-art methods.
• Abstract（参考訳）: 雨は画像の可視性を著しく低下させ、屋外監視システムやインテリジェントな車両などのコンピュータビジョンタスクのパフォーマンスに影響を与えるため、単一画像のレーディングは重要な問題である。 本稿では,融合ネットワークを用いたウェーブレットチャネルアテンションモジュールと呼ばれる新しい畳み込みニューラルネットワーク(CNN)を提案する。 ウェーブレット変換と逆ウェーブレット変換は、ダウンサンプリングとアップサンプリングに代えて、ウェーブレット変換と畳み込みによる特徴写像は異なる周波数とスケールを含む。 さらに、特徴マップはチャネルアテンションによって統合される。 提案するネットワークは,原画像のウェーブレット変換から導出される4つのサブバンド画像の信頼度マップを学習する。 最後に、低周波部と高周波部のウェーブレット再構成および融合により、クリアイメージを良好に復元することができる。 合成画像と実画像のいくつかの実験結果から,提案アルゴリズムは最先端の手法よりも優れていることがわかった。

関連論文リスト

• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• Wavelet-based Bi-dimensional Aggregation Network for SAR Image Change Detection [53.842568573251214]
  3つのSARデータセットによる実験結果から、我々のWBANetは現代最先端の手法を著しく上回っていることが明らかとなった。 我々のWBANetは、それぞれのデータセットで98.33%、96.65%、96.62%の正確な分類(PCC)を達成している。
  論文  参考訳（メタデータ） (2024-07-18T04:36:10Z)
• WaveletFormerNet: A Transformer-based Wavelet Network for Real-world Non-homogeneous and Dense Fog Removal [11.757602977709517]
  本稿では,現実の霧画像回復のためのトランスフォーマーベースのウェーブレットネットワーク(WaveletFormerNet)を提案する。 トランスフォーマーブロックに並列畳み込みを導入し、軽量な機構で多周波情報のキャプチャを可能にする。 我々の実験は、WaveletFormerNetが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-01-09T13:42:21Z)
• Riesz-Quincunx-UNet Variational Auto-Encoder for Satellite Image Denoising [0.0]
  衛星画像のノイズ低減に使用される画像および時系列分解のためのハイブリッドRQUNet-VAE方式を提案する。 また,本手法をマルチバンド衛星画像に適用し,画像の分解,画像分割,拡散による時系列分解,画像分割などを行う。
  論文  参考訳（メタデータ） (2022-08-25T19:51:07Z)
• Trainable Wavelet Neural Network for Non-Stationary Signals [0.0]
  本研究は,非定常信号に適合するフィルタバンクを学習するためのウェーブレットニューラルネットワークを導入し,デジタル信号処理の解釈性と性能を向上させる。 このネットワークは、複雑なモレットウェーブレットのパラメータ化関数である畳み込みがニューラルネットワークの第1層としてウェーブレット変換を使用する。
  論文  参考訳（メタデータ） (2022-05-06T16:41:27Z)
• Transformer-based SAR Image Despeckling [53.99620005035804]
  本稿では,SAR画像復号化のためのトランスフォーマーネットワークを提案する。 提案する非特定ネットワークは、トランスフォーマーベースのエンコーダにより、異なる画像領域間のグローバルな依存関係を学習することができる。 実験により,提案手法は従来型および畳み込み型ニューラルネットワークに基づく解法よりも大幅に改善されていることが示された。
  論文  参考訳（メタデータ） (2022-01-23T20:09:01Z)
• WaveFill: A Wavelet-based Generation Network for Image Inpainting [57.012173791320855]
  WaveFillはウェーブレットベースの塗装ネットワークで、画像を複数の周波数帯域に分解する。 WaveFillは、空間情報を自然に保存する離散ウェーブレット変換(DWT)を用いて画像を分解する。 低周波帯にL1再構成損失を、高周波帯に敵対損失を施し、それによって周波数間紛争を効果的に軽減する。
  論文  参考訳（メタデータ） (2021-07-23T04:44:40Z)
• Wavelet Integrated CNNs for Noise-Robust Image Classification [51.18193090255933]
  我々は、離散ウェーブレット変換(DWT)により、最大プール、ストライド畳み込み、平均プールを置き換えることでCNNを強化する。 VGG、ResNets、DenseNetのウェーブレット統合バージョンであるWaveCNetsは、バニラバージョンよりも精度が高く、ノイズ・ロバスト性も向上している。
  論文  参考訳（メタデータ） (2020-05-07T09:10:41Z)

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。