論文の概要: From Rain Generation to Rain Removal

• arxiv url: http://arxiv.org/abs/2008.03580v2
• Date: Fri, 4 Dec 2020 06:57:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 12:15:52.363353
• Title: From Rain Generation to Rain Removal
• Title（参考訳）: 降雨発生から降雨除去へ
• Authors: Hong Wang, Zongsheng Yue, Qi Xie, Qian Zhao, Yefeng Zheng, Deyu Meng
• Abstract要約: 雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
• 参考スコア（独自算出の注目度）: 67.71728610434698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For the single image rain removal (SIRR) task, the performance of deep learning (DL)-based methods is mainly affected by the designed deraining models and training datasets. Most of current state-of-the-art focus on constructing powerful deep models to obtain better deraining results. In this paper, to further improve the deraining performance, we novelly attempt to handle the SIRR task from the perspective of training datasets by exploring a more efficient way to synthesize rainy images. Specifically, we build a full Bayesian generative model for rainy image where the rain layer is parameterized as a generator with the input as some latent variables representing the physical structural rain factors, e.g., direction, scale, and thickness. To solve this model, we employ the variational inference framework to approximate the expected statistical distribution of rainy image in a data-driven manner. With the learned generator, we can automatically and sufficiently generate diverse and non-repetitive training pairs so as to efficiently enrich and augment the existing benchmark datasets. User study qualitatively and quantitatively evaluates the realism of generated rainy images. Comprehensive experiments substantiate that the proposed model can faithfully extract the complex rain distribution that not only helps significantly improve the deraining performance of current deep single image derainers, but also largely loosens the requirement of large training sample pre-collection for the SIRR task.
• Abstract（参考訳）: シングルイメージ雨除去(SIRR)タスクでは、ディープラーニング(DL)ベースの手法の性能は、主に設計済みのデラミニングモデルとトレーニングデータセットの影響を受けている。 現在の最先端技術のほとんどは、より優れた評価結果を得るために強力な深層モデルの構築に重点を置いている。 本稿では, 降雨画像のより効率的な合成方法を探ることで, トレーニングデータセットの観点からSIRRタスクの処理を新たに試みる。 具体的には,降雨層を発生器としてパラメータ化し,物理的構造的雨因子(例えば方向,スケール,厚さなど)を表す潜在変数として入力する,降雨画像のベイズ生成モデルを構築する。 このモデルを解くために,降雨画像の統計的分布をデータ駆動的に近似するために,変分推論フレームワークを用いた。 学習したジェネレータでは、既存のベンチマークデータセットを効率的に強化し拡張するために、多種多様な非反復的なトレーニングペアを自動かつ十分に生成することができる。 降雨画像の現実性を質的に定量的に評価する。 包括的実験により,提案手法は,現在の深層単一画像レーダの流出性能を著しく向上させるだけでなく,sirタスクのための大規模トレーニングサンプルプリコレクションの必要性を大幅に緩和する,複雑な降雨分布を忠実に抽出できることがわかった。

関連論文リスト

• Harnessing Joint Rain-/Detail-aware Representations to Eliminate Intricate Rains [9.6606245317525]
  我々は、CNNやTransformerベースのモデルを効率的に制御できるコンテキストベースのインスタンスレベル変調機構を開発する。 また,降雨・降雨・降雨・降雨・降雨の表現を抽出するために,降雨・降雨・降雨対応学習戦略を考案した。 CoI-Mと雨量/深度を意識したコントラスト学習を組み合わせることで、混合データセットのトレーニングモデルに適した、革新的で強力なアルゴリズムであるCoICを開発する。
  論文  参考訳（メタデータ） (2024-04-18T11:20:53Z)
• TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
  本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。 その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。 提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-15T03:27:39Z)
• Contrastive Learning Based Recursive Dynamic Multi-Scale Network for Image Deraining [47.764883957379745]
  雨のストリークは撮影画像の可視性を著しく低下させる。 既存のディープラーニングベースの画像デライニング手法では、手作業で構築されたネットワークを使用して、雨の降った画像から明確な画像への直接投影を学習する。 本稿では,雨天画像と澄んだ画像との相関関係を考察した,対照的な学習に基づく画像デライニング手法を提案する。
  論文  参考訳（メタデータ） (2023-05-29T13:51:41Z)
• 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)
• Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
  本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。 具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。 ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
  論文  参考訳（メタデータ） (2021-03-14T14:28:57Z)
• 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)
• Rainy screens: Collecting rainy datasets, indoors [19.71705192452036]
  本稿では,既存の地中構造画像から多彩な降雨画像を生成するための簡易な手法を提案する。 この設定により、既存のデータセットの多様性をタスク基底データで活用できます。 都市景観とBDDに基づく降雨量と降雨量と実際の付着液滴を用いた降雨画像を生成し,デライニングモデルを訓練する。
  論文  参考訳（メタデータ） (2020-03-10T13:57:37Z)

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。