論文の概要: Progressive Update Guided Interdependent Networks for Single Image Dehazing

• arxiv url: http://arxiv.org/abs/2008.01701v2
• Date: Tue, 8 Feb 2022 17:42:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 00:40:01.060554
• Title: Progressive Update Guided Interdependent Networks for Single Image Dehazing
• Title（参考訳）: 画像デハージングのための相互依存型ネットワークのプログレッシブアップデート
• Authors: Aupendu Kar, Sobhan Kanti Dhara, Debashis Sen, Prabir Kumar Biswas
• Abstract要約: さまざまな種類の迷路を持つ画像は、デハジングに重大な挑戦をすることが多い。 本稿では,新しいデハジングとヘイズパラメータ更新器ネットワークを含むマルチネットワークデハジングフレームワークを提案する。 筆者らのフレームワークは, 合成および実世界のハズイ画像において, 最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 24.565068569913382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Images with haze of different varieties often pose a significant challenge to dehazing. Therefore, guidance by estimates of haze parameters related to its variety would be beneficial and they should be progressively updated along with iterative haze reduction to allow optimal dehazing. To this end, we propose a multi-network dehazing framework containing novel interdependent dehazing and haze parameter updater networks that operate within a unique iterative mechanism. The haze parameters, transmission map and atmospheric light, are first estimated using specific convolutional networks allowing color cast handling. The estimated parameters are then used as priors in our dehazing module, where the estimates are progressively updated by novel convolutional networks using the iterative mechanism. The updating takes place jointly with progressive dehazing by a convolutional network that invokes inter-iteration dependencies. The joint updating and dehazing within the iterative mechanism gradually modify the haze parameter estimates toward achieving optimal dehazing. Through ablation studies, our iterative dehazing framework is shown to be more effective than the use of conventional LSTM based recurrence, image-to-image mapping and haze model based estimation. Our dehazing framework is qualitatively and quantitatively found to outperform the state-of-the-art on synthetic and real-world hazy images of several datasets with varied hazy conditions.
• Abstract（参考訳）: さまざまな種類の迷路を持つ画像は、デハジングに重大な挑戦をすることが多い。 したがって、その多様性に関連するヘイズパラメータの推定によるガイダンスは有益であり、最適なデヘイズを可能にするために反復ヘイズ削減と共に段階的に更新されるべきである。 そこで本研究では,一意な反復機構で動作する,新たな相互依存型デハジングおよびヘイズパラメータ更新ネットワークを含むマルチネットワークデハジングフレームワークを提案する。 ハウズパラメータ、透過マップ、大気光は、カラーキャスト処理が可能な特定の畳み込みネットワークを用いて最初に推定される。 推定パラメータをデハジングモジュールの先行値として使用し、反復機構を用いて新たな畳み込みネットワークによって推定値を段階的に更新する。 更新は、イテレーション間の依存関係を起動する畳み込みネットワークによるプログレッシブデハジングと共同で行われる。 反復機構内のジョイント更新とデハジングは、徐々にヘイズパラメータの推定値を変更して最適なデハジングを達成する。 アブレーション研究により,従来のlstmベース再帰法,画像対画像マッピング法,hazeモデルに基づく推定法よりも,反復的脱離フレームワークの方が有効であることが示された。 当社のデヘイジングフレームワークは、さまざまなヘイジング条件を持つ複数のデータセットの合成および実世界のヘイジングイメージの最先端を、質的かつ定量的に上回っていることが分かっています。

関連論文リスト

• LMHaze: Intensity-aware Image Dehazing with a Large-scale Multi-intensity Real Haze Dataset [14.141433473509826]
  本稿では,大規模で高品質な実世界のデータセットLMHazeを紹介する。 LMHazeは、屋内および屋外の多様な環境で撮影された、ヘイズフリーとヘイズフリーの2つの画像で構成されている。 そこで本研究では,Mambaをベースとした混合実験モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-21T15:20:02Z)
• DRACO-DehazeNet: An Efficient Image Dehazing Network Combining Detail Recovery and a Novel Contrastive Learning Paradigm [3.649619954898362]
  Detail RecoveryとContrastive DehazeNetは、特定のデハズされたシーンコンテキストへの拡張を調整した、詳細なイメージリカバリネットワークである。 大きな革新は、新しい四重項損失に基づくコントラストデハージングパラダイムによって達成された、限られたデータで効果的にトレーニングできることである。
  論文  参考訳（メタデータ） (2024-10-18T16:48:31Z)
• MultiDiff: Consistent Novel View Synthesis from a Single Image [60.04215655745264]
  MultiDiffは、単一のRGB画像からシーンを一貫した新しいビュー合成のための新しいアプローチである。 以上の結果から,MultiDiffは,課題の多いリアルタイムデータセットであるRealEstate10KとScanNetにおいて,最先端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） (2024-06-26T17:53:51Z)
• PANet: A Physics-guided Parametric Augmentation Net for Image Dehazing by Hazing [33.39324790342096]
  合成ヘイズ画像と実世界のヘイズ画像のドメインギャップは、現実的な環境でのデハージング性能を低下させる。 本研究では,光実写とクリーンなトレーニングペアを生成する物理誘導パラメトリック拡張ネットワーク(PANet)を提案する。 実験の結果,PANetは多様なリアルなハジーイメージを増強し,既存のハジーイメージベンチマークを拡張できることが示された。
  論文  参考訳（メタデータ） (2024-04-14T14:24:13Z)
• Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
  ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。 合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。 提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-03-28T22:25:05Z)
• Steered Diffusion: A Generalized Framework for Plug-and-Play Conditional Image Synthesis [62.07413805483241]
  Steered Diffusionは、無条件生成のために訓練された拡散モデルを用いたゼロショット条件画像生成のためのフレームワークである。 塗装,着色,テキスト誘導セマンティック編集,画像超解像などのタスクに対して,ステアリング拡散を用いた実験を行った。
  論文  参考訳（メタデータ） (2023-09-30T02:03:22Z)
• Cross-domain Compositing with Pretrained Diffusion Models [34.98199766006208]
  我々は,背景シーンから抽出した文脈情報で注入対象を注入する局所的反復的精錬方式を採用する。 本手法では,アノテーションやトレーニングを必要とせず,高品質で現実的な結果が得られる。
  論文  参考訳（メタデータ） (2023-02-20T18:54:04Z)
• Effective Data Augmentation With Diffusion Models [65.09758931804478]
  我々は、事前訓練されたテキスト・画像拡散モデルによりパラメータ化された画像・画像変換によるデータ拡張の多様性の欠如に対処する。 本手法は,市販の拡散モデルを用いて画像のセマンティクスを編集し,いくつかのラベル付き例から新しい視覚概念に一般化する。 本手法は,実世界の雑草認識タスクと数ショット画像分類タスクにおいて評価し,テスト領域における精度の向上を観察する。
  論文  参考訳（メタデータ） (2023-02-07T20:42:28Z)
• Auto-regressive Image Synthesis with Integrated Quantization [55.51231796778219]
  本稿では,条件付き画像生成のための多目的フレームワークを提案する。 CNNの帰納バイアスと自己回帰の強力なシーケンスモデリングが組み込まれている。 提案手法は,最先端技術と比較して,優れた多彩な画像生成性能を実現する。
  論文  参考訳（メタデータ） (2022-07-21T22:19:17Z)
• FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing [48.65974971543703]
  画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。 我々のモデルは、より自然でリアルなデハズド画像を生成することができ、色歪みは少なく、アーティファクトも少ない。 実験により, 提案手法は, 公開合成データセットと実世界の画像の両方において, 最先端の性能に達することが示された。
  論文  参考訳（メタデータ） (2020-01-20T04:36:11Z)

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。