論文の概要: DCSFN: Deep Cross-scale Fusion Network for Single Image Rain Removal

• arxiv url: http://arxiv.org/abs/2008.00767v1
• Date: Mon, 3 Aug 2020 10:34:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 06:32:33.963122
• Title: DCSFN: Deep Cross-scale Fusion Network for Single Image Rain Removal
• Title（参考訳）: DCSFN: 単一画像降雨除去のための深層クロススケール核融合ネットワーク
• Authors: Cong Wang, Xiaoying Xing, Zhixun Su, Junyang Chen
• Abstract要約: 降雨が画像の視界を著しく低下させるため、降雨は重要なもののコンピュータビジョンの課題である。 以前の研究は主に特徴抽出と処理、あるいはニューラルネットワーク構造に焦点を当てていた。 本稿では,画像雨雨除去課題を解決するために,ネットワークと内規模核融合操作のクロススケールな方法について検討する。
• 参考スコア（独自算出の注目度）: 13.794959799789703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rain removal is an important but challenging computer vision task as rain streaks can severely degrade the visibility of images that may make other visions or multimedia tasks fail to work. Previous works mainly focused on feature extraction and processing or neural network structure, while the current rain removal methods can already achieve remarkable results, training based on single network structure without considering the cross-scale relationship may cause information drop-out. In this paper, we explore the cross-scale manner between networks and inner-scale fusion operation to solve the image rain removal task. Specifically, to learn features with different scales, we propose a multi-sub-networks structure, where these sub-networks are fused via a crossscale manner by Gate Recurrent Unit to inner-learn and make full use of information at different scales in these sub-networks. Further, we design an inner-scale connection block to utilize the multi-scale information and features fusion way between different scales to improve rain representation ability and we introduce the dense block with skip connection to inner-connect these blocks. Experimental results on both synthetic and real-world datasets have demonstrated the superiority of our proposed method, which outperforms over the state-of-the-art methods. The source code will be available at https://supercong94.wixsite.com/supercong94.
• Abstract（参考訳）: 他のビジョンやマルチメディアタスクが動作しない可能性のある画像の可視性が著しく低下する可能性があるため、降雨除去は重要ではあるが、コンピュータビジョンの課題である。 従来は特徴抽出や処理,ニューラルネットワーク構造に重点を置いてきたが,現在の降雨除去手法では,クロススケールな関係を考慮せずに単一ネットワーク構造に基づくトレーニングを行えば,情報ドロップアウトが発生する可能性がある。 本稿では,ネットワークとインナースケール・フュージョン・オペレーション間のクロススケール手法を検討し,画像雨除去課題を解決する。 具体的には、異なるスケールで特徴を学習するために、複数のサブネットワーク構造を提案し、これらのサブネットワークをゲートリカレントユニットからインナーリーンへクロススケール方式で融合し、異なるスケールで情報をフル活用する。 さらに,多スケール情報を利用するインナースケール接続ブロックを設計し,雨量表現能力を向上させるために,異なるスケール間での融合方式を特徴とし,インナーコネクションをスキップ接続した密集ブロックを導入する。 合成および実世界の両方のデータセットに対する実験結果から,提案手法が最先端の手法よりも優れていることを示す。 ソースコードはhttps://supercong94.wixsite.com/supercong94で入手できる。

関連論文リスト

• A Heterogeneous Dynamic Convolutional Neural Network for Image Super-resolution [111.97970576223622]
  画像超解像(HDSRNet)における異種動的畳み込みネットワークを提案する。 下位のネットワークは対称アーキテクチャを使用して、異なるレイヤの関係を強化し、より構造的な情報をマイニングする。 実験結果から,HDSRNetは画像解決に有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-02-24T03:44:06Z)
• Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution [64.25751738088015]
  トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。 動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。 我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T16:32:29Z)
• Online-updated High-order Collaborative Networks for Single Image Deraining [51.22694467126883]
  単一画像のデライン化は、ビデオ監視や自動運転システムなど、下流の人工知能アプリケーションにとって重要なタスクである。 マルチスケールのコンパクトな制約と双方向のスケール・コンテント類似性マイニングモジュールを備えた高階協調ネットワークを提案する。 提案手法は,5つの公開合成と1つの実世界のデータセットに対して,11の最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-02-14T09:09:08Z)
• 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)
• Multi-Scale Hourglass Hierarchical Fusion Network for Single Image Deraining [8.964751500091005]
  雨のひもはサイズ、方向および密度で頻繁に変わる深刻なぼやけおよび視覚質の低下をもたらします。 現在のCNN方式は, 降雨特性の描写や, 可視性に乏しい環境下でのイメージの復元に限られている。 本稿では,マルチスケール抽出,階層蒸留,情報集約による雨天の特徴を正確に把握するために,マルチスケールのHH2F-Netを提案する。
  論文  参考訳（メタデータ） (2021-04-25T08:27:01Z)
• MCW-Net: Single Image Deraining with Multi-level Connections and Wide Regional Non-local Blocks [6.007222067550804]
  降雨画像の背景テクスチャを復元するために,マルチレベル接続と広域非局所ブロックネットワーク(MCW-Net)を提案する。 MCW-Netは、追加ブランチなしで情報利用を最大化することで、性能を向上させる。 人工降雨データセットと実世界の降雨データセットの実験結果は、提案モデルが既存の最先端モデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2020-09-29T13:21:31Z)
• A Model-driven Deep Neural Network for Single Image Rain Removal [52.787356046951494]
  完全解釈可能なネットワーク構造を持つモデル駆動型ディープニューラルネットワークを提案する。 雨を表現するための畳み込み辞書学習機構に基づいて,新しい単一画像デレーニングモデルを提案する。 すべてのレインカーネルとオペレータは自動的に抽出され、レイン層とクリーンなバックグラウンド層の両方の特徴を忠実に特徴付けることができる。
  論文  参考訳（メタデータ） (2020-05-04T09:13:25Z)
• 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)
• 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。