論文の概要: Dehaze-GLCGAN: Unpaired Single Image De-hazing via Adversarial Training

• arxiv url: http://arxiv.org/abs/2008.06632v1
• Date: Sat, 15 Aug 2020 02:43:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 20:53:14.905328
• Title: Dehaze-GLCGAN: Unpaired Single Image De-hazing via Adversarial Training
• Title（参考訳）: dehaze-glcgan: 逆行訓練による非ペア化シングルイメージデハジング
• Authors: Zahra Anvari, Vassilis Athitsos
• Abstract要約: 単一画像デハジングのためのデハジンググローバルローカルサイクル一貫性生成適応ネットワーク(Dehaze-GLCGAN)を提案する。 3つのベンチマークデータセットに対する実験により、ネットワークはPSNRとSSIMの点で過去の作業より優れていたことが判明した。
• 参考スコア（独自算出の注目度）: 3.5788754401889014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single image de-hazing is a challenging problem, and it is far from solved. Most current solutions require paired image datasets that include both hazy images and their corresponding haze-free ground-truth images. However, in reality, lighting conditions and other factors can produce a range of haze-free images that can serve as ground truth for a hazy image, and a single ground truth image cannot capture that range. This limits the scalability and practicality of paired image datasets in real-world applications. In this paper, we focus on unpaired single image de-hazing and we do not rely on the ground truth image or physical scattering model. We reduce the image de-hazing problem to an image-to-image translation problem and propose a dehazing Global-Local Cycle-consistent Generative Adversarial Network (Dehaze-GLCGAN). Generator network of Dehaze-GLCGAN combines an encoder-decoder architecture with residual blocks to better recover the haze free scene. We also employ a global-local discriminator structure to deal with spatially varying haze. Through ablation study, we demonstrate the effectiveness of different factors in the performance of the proposed network. Our extensive experiments over three benchmark datasets show that our network outperforms previous work in terms of PSNR and SSIM while being trained on smaller amount of data compared to other methods.
• Abstract（参考訳）: 単一画像デヘイジングは難しい問題であり、解決にはほど遠い。 現在のソリューションでは、hazyイメージとそれに対応するhazeフリーな地上画像の両方を含むペアイメージデータセットが必要です。 しかし、現実には、照明条件やその他の要因は、ぼんやりとした画像の根拠となるような、不規則な画像の範囲を作り出すことができ、一方の地上の真理像は、その範囲を捉えることができない。 これにより、現実世界のアプリケーションにおけるペア画像データセットのスケーラビリティと実用性が制限される。 本稿では,非ペア化シングルイメージデハジングに着目し,基底真理像や物理的散乱モデルには依存しない。 本稿では,画像から画像への変換問題に対する画像デハジング問題を低減し,グローバル・ローカル・サイクル整合生成型逆ネットワーク(dehaze-glcgan)を提案する。 Dehaze-GLCGANのジェネレータネットワークは、エンコーダ・デコーダアーキテクチャと残余ブロックを組み合わせることで、ヘイズフリーシーンをよりよく復元する。 また,空間的に変化するヘイズに対処するために,グローバル局所判別器構造を用いる。 アブレーション研究を通じて,提案するネットワークの性能に異なる要因の有効性を示す。 3つのベンチマークデータセットにわたる広範な実験により、我々のネットワークは他の手法よりも少ないデータ量でトレーニングしながら、psnrとssimの点で以前の作業よりも優れています。

関連論文リスト

• WTCL-Dehaze: Rethinking Real-world Image Dehazing via Wavelet Transform and Contrastive Learning [17.129068060454255]
  自律運転や監視といったアプリケーションには、単一イメージのデハジングが不可欠だ。 コントラスト損失と離散ウェーブレット変換を統合した半教師付きデハージングネットワークを提案する。 提案アルゴリズムは,最先端の単一画像復調法と比較して,優れた性能とロバスト性を実現している。
  論文  参考訳（メタデータ） (2024-10-07T05:36:11Z)
• Non-aligned supervision for Real Image Dehazing [25.078264991940806]
  非整合的な監督の下で機能する革新的な脱ハージングフレームワークを提案する。 特に、入力されたハジー画像と一致しない明確な参照画像を用いて、デハージングネットワークを監督する非アライメントシナリオを探索する。 我々のシナリオは、誤調整やシフトビューの条件下であっても、現実の環境において、ヘイズ/クリアなイメージペアを収集しやすくする。
  論文  参考訳（メタデータ） (2023-03-08T23:23:44Z)
• Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
  そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。 本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-01-10T03:12:52Z)
• Single Image Dehazing with An Independent Detail-Recovery Network [117.86146907611054]
  個別のDetail Recovery Network (DRN) を用いた単一画像デハージング手法を提案する。 DRNは、それぞれのローカルブランチとグローバルブランチを通じて、デハズドイメージの詳細を復元することを目的としている。 本手法は, 定量的, 定性的に, 最先端の脱ハージング法より優れる。
  論文  参考訳（メタデータ） (2021-09-22T02:49:43Z)
• From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data [58.50411487497146]
  ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。 まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。 そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
  論文  参考訳（メタデータ） (2021-08-06T04:00:28Z)
• Non-Homogeneous Haze Removal via Artificial Scene Prior and Bidimensional Graph Reasoning [52.07698484363237]
  本研究では,人工シーンの前置と2次元グラフ推論による不均質なヘイズ除去ネットワーク(nhrn)を提案する。 本手法は,単一画像デハジングタスクとハイザイ画像理解タスクの両方において,最先端アルゴリズムよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-04-05T13:04:44Z)
• A GAN-Based Input-Size Flexibility Model for Single Image Dehazing [16.83211957781034]
  本稿では,単一画像デハジングの課題に焦点をあてる。 ヘイズフリーの画像を直接生成する新しいモデルを設計します。 この理由と画像サイズを考慮し,単一画像デハジングのための新たな入力サイズフレキシビリティ条件付き生成逆ネットワーク(cgan)を提案する。
  論文  参考訳（メタデータ） (2021-02-19T08:27:17Z)
• NH-HAZE: An Image Dehazing Benchmark with Non-Homogeneous Hazy and Haze-Free Images [95.00583228823446]
  NH-HAZEは非同質な現実的データセットであり、実写のヘイズフリー画像とそれに対応するヘイズフリー画像のペアである。 本研究は、NH-HAZEデータセットを用いて評価した、最先端の単一画像デハージング手法の客観的評価を示す。
  論文  参考訳（メタデータ） (2020-05-07T15:50:37Z)
• 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。