論文の概要: Adherent Mist and Raindrop Removal from a Single Image Using Attentive Convolutional Network

• arxiv url: http://arxiv.org/abs/2009.01466v2
• Date: Thu, 26 Nov 2020 12:38:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 07:44:43.164814
• Title: Adherent Mist and Raindrop Removal from a Single Image Using Attentive Convolutional Network
• Title（参考訳）: 注意畳み込みネットワークを用いた単一画像からの付着ミストと雨滴除去
• Authors: Da He, Xiaoyu Shang, Jiajia Luo
• Abstract要約: ガラスに付着したガラス、例えばフロントガラス、カメラレンズなどの温度差による霧は、しばしば不均一で不均一である。 本研究では, 付着霧と雨滴による画像劣化の問題を新たに提示する。 注意的畳み込みネットワークを採用し、単一の画像から付着霧や雨滴を視覚的に除去する。
• 参考スコア（独自算出の注目度）: 1.2891210250935146
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Temperature difference-induced mist adhered to the glass, such as windshield, camera lens, is often inhomogeneous and obscure, easily obstructing the vision and severely degrading the image. Together with adherent raindrops, they bring considerable challenges to various vision systems but without enough attention. Recent methods for other similar problems typically use hand-crafted priors to generate spatial attention maps. In this work, we newly present a problem of image degradation caused by adherent mist and raindrops. An attentive convolutional network is adopted to visually remove the adherent mist and raindrop from a single image. A baseline architecture with general channel-wise attention, spatial attention, and multilevel feature fusion is used. Considering the variations and regional characteristics of adherent mist and raindrops, we apply interpolation-based pyramid-attention blocks to perceive spatial information at different scales. Experiments show that the proposed method can improve severely degraded images' visibility, both qualitatively and quantitatively. More applied experiments show that this underrated practical problem is critical to high-level vision scenes. Our method also achieves state-of-the-art performance on conventional dehazing and pure de-raindrop problems, in addition to our task of handling adherent mist and raindrops.
• Abstract（参考訳）: ガラスに付着した温度差によって引き起こされるミスト、例えばフロントガラス、カメラレンズは、しばしば不均一で曖昧であり、視力を阻害し、画像がひどく劣化する。 付着した雨滴とともに、様々な視覚システムにかなりの課題をもたらすが、十分な注意を払わない。 同様の問題に対する最近の手法では、通常は手作りの先行手法を用いて空間的注意マップを生成する。 本研究では,付着ミストと雨滴による画像劣化の問題を新たに提示する。 注意的畳み込みネットワークを採用し、単一の画像から付着霧や雨滴を視覚的に除去する。 一般的なチャネルワイドアテンション、空間アテンション、マルチレベル特徴融合を備えたベースラインアーキテクチャを用いる。 付着霧と雨滴の変動と地域特性を考慮し,異なるスケールで空間情報を知覚するために補間型ピラミッドアテンションブロックを適用した。 提案手法は,質的および定量的に画像の可視性を著しく改善できることを示す。 より応用された実験により、この過小評価された実践的問題は高レベルの視覚シーンにとって重要であることが示された。 また,従来のデハジング問題や純粋なデレインドロップ問題においても,付着ミストや雨滴を扱う作業に加えて,最先端のパフォーマンスを実現する。

関連論文リスト

• Be Yourself: Bounded Attention for Multi-Subject Text-to-Image Generation [60.943159830780154]
  本稿では,サンプリングプロセスにおける情報フローをバウンドする訓練不要な手法である境界注意法を紹介する。 提案手法は,与えられたプロンプトとレイアウトの整合性を向上する複数の主題の生成に有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-25T17:52:07Z)
• NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
  夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。 雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。 雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
  論文  参考訳（メタデータ） (2024-02-28T09:02:33Z)
• Single Image Deraining via Feature-based Deep Convolutional Neural Network [13.39233717329633]
  データ駆動型アプローチとモデルベースアプローチを組み合わせた,単一画像デラミニングアルゴリズムを提案する。 実験の結果,提案アルゴリズムは質的,定量的両面で最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-05-03T13:12:51Z)
• Joint Depth Estimation and Mixture of Rain Removal From a Single Image [24.009353523566162]
  そこで我々は,DeMore-Netと呼ばれる降雨の混合に対する効果的な画像デクリニングパラダイムを提案する。 本研究では,画像のデアライジング作業における正規化手法について検討し,DeMore-Netのデアライジング性能を向上させるためにHNB(Hybrid Normalization Block)を導入する。
  論文  参考訳（メタデータ） (2023-03-31T02:05:45Z)
• Take a Prior from Other Tasks for Severe Blur Removal [52.380201909782684]
  知識蒸留に基づくクロスレベル特徴学習戦略 多レベルアグリゲーションとセマンティックアテンション変換によるセマンティック事前埋め込み層を効果的に統合する。 GoProやRealBlurのデータセットのような、自然な画像劣化ベンチマークと実世界の画像の実験は、我々の方法の有効性と能力を実証している。
  論文  参考訳（メタデータ） (2023-02-14T08:30:51Z)
• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• Both Style and Fog Matter: Cumulative Domain Adaptation for Semantic Foggy Scene Understanding [63.99301797430936]
  我々は,2要素(スタイルとフォグ)を累積的に適応させる新しいパイプラインを提案する。 具体的には、スタイルファクタとフォグファクタを分離し、異なる領域のイメージから二重要素を分離する統一的なフレームワークを考案する。 提案手法は,3つのベンチマーク上での最先端性能を実現し,雨や雪の場面における一般化能力を示す。
  論文  参考訳（メタデータ） (2021-12-01T13:21:20Z)
• Task-Driven Deep Image Enhancement Network for Autonomous Driving in Bad Weather [5.416049433853457]
  悪天候では、視覚的知覚はいくつかの劣化効果によって大きく影響を受ける。 画像の高品質な復元と高精度な知覚の両方に適した高レベルタスクモデルを導くための新しいタスク駆動型トレーニング戦略を導入する。 実験の結果, 提案手法は車線および2次元物体検出の性能を向上し, 主に悪天候下での深度推定が可能であることがわかった。
  論文  参考訳（メタデータ） (2021-10-14T08:03:33Z)
• 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)
• Wavelet-Based Dual-Branch Network for Image Demoireing [148.91145614517015]
  画像復調のための空間的注意機構を備えたウェーブレットベースのデュアルブランチネットワーク(WDNet)を設計する。 我々のネットワークはウェーブレット領域のモアレパターンを除去し、モアレパターンの周波数を画像の内容から分離する。 さらに,本手法の有効性を実証し,WDNetが非スクリーン画像上のモアレアーティファクトの除去を一般化することを示す。
  論文  参考訳（メタデータ） (2020-07-14T16:44:30Z)

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。