論文の概要: EfficientDeRain: Learning Pixel-wise Dilation Filtering for High-Efficiency Single-Image Deraining

• arxiv url: http://arxiv.org/abs/2009.09238v1
• Date: Sat, 19 Sep 2020 14:32:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 21:27:50.937004
• Title: EfficientDeRain: Learning Pixel-wise Dilation Filtering for High-Efficiency Single-Image Deraining
• Title（参考訳）: EfficientDeRain: 高能率単一画像レイニングのための画素ワイドディレーションフィルタの学習
• Authors: Qing Guo, Jingyang Sun, Felix Juefei-Xu, Lei Ma, Xiaofei Xie, Wei Feng, Yang Liu
• Abstract要約: 単一像のデレーニングは、未知の降雨モデルのため、かなり難しい。 本稿では,モデルのないデライン法,すなわち効率的なデレイン法を提案する。 10ms(平均約6ms)で雨の画像を処理でき、最先端の手法の80倍以上の速度で処理できる。
• 参考スコア（独自算出の注目度）: 29.11278650245332
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single-image deraining is rather challenging due to the unknown rain model. Existing methods often make specific assumptions of the rain model, which can hardly cover many diverse circumstances in the real world, making them have to employ complex optimization or progressive refinement. This, however, significantly affects these methods' efficiency and effectiveness for many efficiency-critical applications. To fill this gap, in this paper, we regard the single-image deraining as a general image-enhancing problem and originally propose a model-free deraining method, i.e., EfficientDeRain, which is able to process a rainy image within 10~ms (i.e., around 6~ms on average), over 80 times faster than the state-of-the-art method (i.e., RCDNet), while achieving similar de-rain effects. We first propose the novel pixel-wise dilation filtering. In particular, a rainy image is filtered with the pixel-wise kernels estimated from a kernel prediction network, by which suitable multi-scale kernels for each pixel can be efficiently predicted. Then, to eliminate the gap between synthetic and real data, we further propose an effective data augmentation method (i.e., RainMix) that helps to train network for real rainy image handling.We perform comprehensive evaluation on both synthetic and real-world rainy datasets to demonstrate the effectiveness and efficiency of our method. We release the model and code in https://github.com/tsingqguo/efficientderain.git.
• Abstract（参考訳）: 単一像のデレーニングは、未知の降雨モデルのため、かなり難しい。 既存の手法では、現実世界の様々な状況をカバーすることがほとんどなく、複雑な最適化や漸進的な洗練を必要としない雨モデルが想定されることが多い。 しかし、これはこれらの手法の効率性と多くの効率クリティカルな応用に大きく影響する。 このギャップを埋めるために、本稿では、単一像のデライン化を一般的な画像強調問題とみなし、もともと10～ms以内の降雨画像(平均6～ms)を処理できるモデルフリーデライン法、すなわちエフィシエントデレイン(EfficientDeRain)を提案し、これと似たデレイン効果を実現しつつ、最先端の手法(RCDNet)の80倍以上の速度で処理できる。 まず,新しい画素分割フィルタを提案する。 特に、各画素に適したマルチスケールカーネルを効率的に予測できるカーネル予測ネットワークから推定された画素毎のカーネルで雨画像をフィルタリングする。 次に,合成データと実データとのギャップを解消するために,実際の雨画像処理のためのネットワーク学習を支援する効果的なデータ拡張手法(すなわちrainmix)を提案し,合成データと実世界の雨データの両方について包括的評価を行い,本手法の有効性と効率性を示す。 私たちはモデルとコードをhttps://github.com/tsingqguo/ efficientderain.gitでリリースします。

関連論文リスト

• MDeRainNet: An Efficient Neural Network for Rain Streak Removal from Macro-pixel Images [44.83349966064718]
  我々は,LF画像から降雨ストリーク除去を行うために,MDeRainNetと呼ばれる効率的なネットワークを提案する。 提案するネットワークはマルチスケールエンコーダデコーダアーキテクチャを採用し, 直接マクロピクセル画像(MPI)を用いて降雨除去性能を向上する。 そこで本研究では,MDeRainNetのための新しい半教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-15T14:47:02Z)
• 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)
• Toward Real-world Single Image Deraining: A New Benchmark and Beyond [79.5893880599847]
  現実シナリオにおけるSID(Single Image deraining)は近年注目されている。 以前の実際のデータセットは、低解像度の画像、均一な雨のストリーク、背景の変化の制限、イメージペアの誤調整に悩まされていた。 我々はRealRain-1kという新しい高品質のデータセットを構築した。
  論文  参考訳（メタデータ） (2022-06-11T12:26:59Z)
• Uncertainty-Aware Cascaded Dilation Filtering for High-Efficiency Deraining [25.669665033163497]
  レイニングは、雨の日に撮影された画像やビデオから雨の流れや蓄積を取り除くことを目的とした、重要かつ基本的なコンピュータビジョンタスクである。 既存のデラリニング法は通常、雨モデルの仮定を行い、複雑な最適化や、高い回復品質のために反復的な改善を施すことを補完する。 本研究では, 複雑な降雨モデル仮定を伴わない予測フィルタ問題として, 簡易かつ効率的なデライニング法を提案する。
  論文  参考訳（メタデータ） (2022-01-07T08:31:57Z)
• 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)
• From Rain Generation to Rain Removal [67.71728610434698]
  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。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)
• Residual Squeeze-and-Excitation Network for Fast Image Deraining [19.48155134126906]
  本稿では,高速な画像デライニングのための残差圧縮・励起ネットワークRSENを提案する。 RSENは軽量のエンコーダデコーダアーキテクチャを採用し、1つの段階で雨除去を行う。
  論文  参考訳（メタデータ） (2020-06-01T07:17:01Z)
• 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)
• Conditional Variational Image Deraining [158.76814157115223]
  キャラクタリゼーション性能向上のための条件変分画像レイニング(CVID)ネットワーク 本研究では,各画像の降雨密度マップを推定するための空間密度推定(SDE)モジュールを提案する。 合成および実世界のデータセットを用いた実験により,提案したCVIDネットワークは,画像のデライニングにおける従来の決定論的手法よりもはるかに優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-04-23T11:51:38Z)
• Physical Model Guided Deep Image Deraining [10.14977592107907]
  降雨画像の劣化により、多くのコンピュータビジョンシステムが動作しないため、単一画像のデライン化は緊急の課題である。 本研究では, 物理モデルを用いた単一画像デライニングのための新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2020-03-30T07:08:13Z)

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。