論文の概要: Rethinking Image Deraining via Rain Streaks and Vapors

• arxiv url: http://arxiv.org/abs/2008.00823v1
• Date: Mon, 3 Aug 2020 12:15:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 07:15:37.966806
• Title: Rethinking Image Deraining via Rain Streaks and Vapors
• Title（参考訳）: 雨天と蒸気によるイメージデライニングの再考
• Authors: Yinglong Wang, Yibing Song, Chao Ma, and Bing Zeng
• Abstract要約: 単一画像のデライン化は、入力画像を背景画像、送信マップ、雨天、大気光の融合とみなす。 降雨ストリークを蒸気とともに透過媒として改質し, レインイメージングをモデル化する。
• 参考スコア（独自算出の注目度）: 43.23214658411834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single image deraining regards an input image as a fusion of a background image, a transmission map, rain streaks, and atmosphere light. While advanced models are proposed for image restoration (i.e., background image generation), they regard rain streaks with the same properties as background rather than transmission medium. As vapors (i.e., rain streaks accumulation or fog-like rain) are conveyed in the transmission map to model the veiling effect, the fusion of rain streaks and vapors do not naturally reflect the rain image formation. In this work, we reformulate rain streaks as transmission medium together with vapors to model rain imaging. We propose an encoder-decoder CNN named as SNet to learn the transmission map of rain streaks. As rain streaks appear with various shapes and directions, we use ShuffleNet units within SNet to capture their anisotropic representations. As vapors are brought by rain streaks, we propose a VNet containing spatial pyramid pooling (SSP) to predict the transmission map of vapors in multi-scales based on that of rain streaks. Meanwhile, we use an encoder CNN named ANet to estimate atmosphere light. The SNet, VNet, and ANet are jointly trained to predict transmission maps and atmosphere light for rain image restoration. Extensive experiments on the benchmark datasets demonstrate the effectiveness of the proposed visual model to predict rain streaks and vapors. The proposed deraining method performs favorably against state-of-the-art deraining approaches.
• Abstract（参考訳）: 単一画像のデライン化は、入力画像を背景画像、送信マップ、雨天、大気光の融合とみなす。 画像復元(すなわち背景画像生成)には高度なモデルが提案されているが、同じ特性を持つ雨のストリークを送信媒体ではなく背景として捉えている。 蒸気(レインストリークの蓄積や霧のような雨)を透過マップに搬送して換気効果をモデル化するので、雨ストリークと蒸気の融合は自然にレインイメージの形成を反映しない。 本研究では,雨滴を気相とともに透過媒体として再構成し,降雨イメージングをモデル化する。 本稿では,SNet という名前のエンコーダデコーダ CNN を提案する。 雨のストリークは様々な形状や方向で現れるため、SNet内のShuffleNetユニットを用いて異方性表現をキャプチャする。 雨害によって蒸気がもたらされるにつれて, 空間ピラミッドプール (SSP) を含むVNetを提案し, 雨害による蒸気の透過マップを複数スケールで予測する。 一方、ANetというエンコーダCNNを用いて大気光を推定する。 SNet、VNet、ANetは、雨像復元のための送信マップと大気光を予測するために共同で訓練されている。 ベンチマークデータセットの大規模な実験は、雨害や蒸気を予測するために提案された視覚モデルの有効性を示した。 提案手法は最先端のデラライニング手法に対して好適に機能する。

関連論文リスト

• Why current rain denoising models fail on CycleGAN created rain images in autonomous driving [1.4831974871130875]
  GAN(Generative Adversarial Network)を用いた一組のクリアウェザー条件画像に雨を人工的に付加する この人工的な雨画像の生成は、10件中7件で、人間の被験者は生成された雨画像が本物だと信じていた。 第2のステップでは、このペア付きグッド/バッド気象画像データを使用して、主にCNN(Convolutional Neural Network)とVision Transformer(Vision Transformer)をベースとした2つの降雨モデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-22T12:42:32Z)
• Not Just Streaks: Towards Ground Truth for Single Image Deraining [42.15398478201746]
  実世界の雨天とクリーンなイメージペアの大規模データセットを提案する。 本稿では,雨天と清潔な画像の間の雨害損失を最小限に抑え,基盤となるシーンを再構築するディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-06-22T00:10:06Z)
• Semi-DRDNet Semi-supervised Detail-recovery Image Deraining Network via Unpaired Contrastive Learning [59.22620253308322]
  半教師付き詳細復元画像デラミニングネットワーク(セミDRDNet)を提案する。 半教師付き学習パラダイムとして、Semi-DRDNetは、強靭性と詳細な精度を犠牲にして、合成データと実世界の降雨データの両方を円滑に運用する。
  論文  参考訳（メタデータ） (2022-04-06T12:35:27Z)
• 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)
• RCDNet: An Interpretable Rain Convolutional Dictionary Network for Single Image Deraining [49.99207211126791]
  雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。 RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。 このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
  論文  参考訳（メタデータ） (2021-07-14T16:08:11Z)
• 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)
• 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)
• Physical Model Guided Deep Image Deraining [10.14977592107907]
  降雨画像の劣化により、多くのコンピュータビジョンシステムが動作しないため、単一画像のデライン化は緊急の課題である。 本研究では, 物理モデルを用いた単一画像デライニングのための新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2020-03-30T07:08:13Z)
• 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。