Fugu-MT 論文翻訳(概要): Single image dehazing for a variety of haze scenarios using back projected pyramid network

論文の概要: Single image dehazing for a variety of haze scenarios using back projected pyramid network

arxiv url: http://arxiv.org/abs/2008.06713v1
Date: Sat, 15 Aug 2020 13:09:34 GMT
ステータス: 処理完了
システム内更新日: 2022-10-28 21:11:33.546215
Title: Single image dehazing for a variety of haze scenarios using back projected pyramid network
Title（参考訳）: 後方投影ピラミッドネットワークを用いた各種ヘイズシナリオのための単一画像デハジング
Authors: Ayush Singh, Ajay Bhave, Dilip K. Prasad
Abstract要約: 本稿では,単一画像のデハズを学習するための新しい生成逆ネットワークアーキテクチャを提案する。我々のネットワークは、20対のぼんやりした画像と非ハジーな画像を使って、過度に適合することなくトレーニングできることを示す。 NTIRE 2018homogeneous haze data for indoor and outdoor image, NTIRE 2019 denseHaze dataset, NTIRE 2020 non-homogeneous haze datasetについて報告する。
参考スコア（独自算出の注目度）: 13.42251227342012
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Learning to dehaze single hazy images, especially using a small training dataset is quite challenging. We propose a novel generative adversarial network architecture for this problem, namely back projected pyramid network (BPPNet), that gives good performance for a variety of challenging haze conditions, including dense haze and inhomogeneous haze. Our architecture incorporates learning of multiple levels of complexities while retaining spatial context through iterative blocks of UNets and structural information of multiple scales through a novel pyramidal convolution block. These blocks together for the generator and are amenable to learning through back projection. We have shown that our network can be trained without over-fitting using as few as 20 image pairs of hazy and non-hazy images. We report the state of the art performances on NTIRE 2018 homogeneous haze datasets for indoor and outdoor images, NTIRE 2019 denseHaze dataset, and NTIRE 2020 non-homogeneous haze dataset.
Abstract（参考訳）: 単一のhazyイメージをデヘイズする学習、特に小さなトレーニングデータセットを使用することは、非常に難しい。本稿では, この問題に対して, 高密度のヘイズや不均一なヘイズなど, 様々な難易度の高いヘイズ条件に対して優れた性能を示す, 逆投影ピラミッドネットワーク(BPPNet)を提案する。我々のアーキテクチャは, 複雑度の多レベル学習を取り入れつつ, unetsの反復ブロックと, 新たなピラミッド畳み込みブロックによる複数スケールの構造情報を通じて空間的文脈を維持している。これらのブロックはジェネレータのために結合され、バックプロジェクションを通じて学習することができる。 20対のhazy画像とnon-hazy画像を用いてネットワークをオーバーフィッティングすることなくトレーニングできることを実証した。本報告では,ntire 2018 homogeneous haze datasets for indoor and outdoor images, ntire 2019 densehaze dataset, ntire 2020 non-homogeneous haze datasetの現状について報告する。

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)
MULAN: A Multi Layer Annotated Dataset for Controllable Text-to-Image Generation [54.64194935409982]
44K MUlti-Layer-wise RGBA 分解からなる新しいデータセット MuLAn を紹介する。 MuLAnは、高品質な画像のインスタンス分解と空間情報を提供する最初のフォトリアリスティックなリソースである。我々は,新しい生成・編集技術,特にレイヤワイドソリューションの開発を促進することを目的としている。
論文参考訳（メタデータ） (2024-04-03T14:58:00Z)
SCANet: Self-Paced Semi-Curricular Attention Network for Non-Homogeneous Image Dehazing [56.900964135228435]
既存の均質脱ハージング法は、強靭な方法でヘイズの不均一分布を扱うのに苦労する。非均質なイメージデハージングのための,SCANet と呼ばれる新しい自己ペースト半曲的アテンションネットワークを提案する。本手法は,アテンションジェネレータネットワークとシーン再構築ネットワークから構成される。
論文参考訳（メタデータ） (2023-04-17T17:05:29Z)
Generating Novel Scene Compositions from Single Images and Videos [21.92417902229955]
SIV-GANは,1つのトレーニング画像や1つのビデオクリップから新たなシーン合成を生成できる無条件生成モデルである。従来の単一画像 GAN と比較すると,より多彩で高品質な画像を生成する一方で,単一の画像設定に制限されない。
論文参考訳（メタデータ） (2021-03-24T17:59:07Z)
MOGAN: Morphologic-structure-aware Generative Learning from a Single Image [59.59698650663925]
近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
論文参考訳（メタデータ） (2021-03-04T12:45:23Z)
Free-Form Image Inpainting via Contrastive Attention Network [64.05544199212831]
画像の塗装作業では、複雑なパターンを形成する画像のどこにでも、どんな形でもマスクが現れる。エンコーダはこの複雑な状況下でこのような強力な表現を捕捉することは困難である。本稿では,ロバスト性と一般化性を改善するための自己教師型シームズ推論ネットワークを提案する。
論文参考訳（メタデータ） (2020-10-29T14:46:05Z)
Dehaze-GLCGAN: Unpaired Single Image De-hazing via Adversarial Training [3.5788754401889014]
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。
論文参考訳（メタデータ） (2020-08-15T02:43:00Z)
Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
論文参考訳（メタデータ） (2020-04-01T12:56:13Z)
Deep 3D Capture: Geometry and Reflectance from Sparse Multi-View Images [59.906948203578544]
本稿では,任意の物体の高品質な形状と複雑な空間変化を持つBRDFを再構成する学習に基づく新しい手法を提案する。まず、深層多視点ステレオネットワークを用いて、ビューごとの深度マップを推定する。これらの深度マップは、異なるビューを粗く整列するために使用される。本稿では,新しい多視点反射率推定ネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-03-27T21:28:54Z)

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。