論文の概要: MCW-Net: Single Image Deraining with Multi-level Connections and Wide
Regional Non-local Blocks
- arxiv url: http://arxiv.org/abs/2009.13990v4
- Date: Sun, 3 Apr 2022 10:40:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 06:37:00.295535
- Title: MCW-Net: Single Image Deraining with Multi-level Connections and Wide
Regional Non-local Blocks
- Title（参考訳）: mcw-net:マルチレベル接続と広域非ローカルブロックを用いた単一イメージデレーシング
- Authors: Yeachan Park, Myeongho Jeon, Junho Lee and Myungjoo Kang
- Abstract要約: 降雨画像の背景テクスチャを復元するために,マルチレベル接続と広域非局所ブロックネットワーク(MCW-Net)を提案する。
MCW-Netは、追加ブランチなしで情報利用を最大化することで、性能を向上させる。
人工降雨データセットと実世界の降雨データセットの実験結果は、提案モデルが既存の最先端モデルを大幅に上回っていることを示している。
- 参考スコア（独自算出の注目度）: 6.007222067550804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A recent line of convolutional neural network-based works has succeeded in
capturing rain streaks. However, difficulties in detailed recovery still
remain. In this paper, we present a multi-level connection and wide regional
non-local block network (MCW-Net) to properly restore the original background
textures in rainy images. Unlike existing encoder-decoder-based image deraining
models that improve performance with additional branches, MCW-Net improves
performance by maximizing information utilization without additional branches
through the following two proposed methods. The first method is a multi-level
connection that repeatedly connects multi-level features of the encoder network
to the decoder network. Multi-level connection encourages the decoding process
to use the feature information of all levels. In multi-level connection,
channel-wise attention is considered to learn which level of features is
important in the decoding process of the current level. The second method is a
wide regional non-local block. As rain streaks primarily exhibit a vertical
distribution, we divide the grid of the image into horizontally-wide patches
and apply a non-local operation to each region to explore the rich rain-free
background information. Experimental results on both synthetic and real-world
rainy datasets demonstrate that the proposed model significantly outperforms
existing state-of-the-art models. Furthermore, the results of the joint
deraining and segmentation experiment prove that our model contributes
effectively to other vision tasks.
- Abstract（参考訳）: 最近の畳み込みニューラルネットワークに基づく研究は、雨の流れを捉えることに成功している。
しかし、詳細回復の難しさはまだ残っている。
本稿では,降雨画像の背景テクスチャを適切に復元するために,マルチレベル接続と広域非局所ブロックネットワーク(MCW-Net)を提案する。
既存のエンコーダデコーダベースのイメージデライニングモデルとは異なり、mcw-netは以下の2つの手法により、追加のブランチなしで情報利用を最大化することでパフォーマンスを向上させる。
第1の方法は、エンコーダネットワークのマルチレベル特徴をデコーダネットワークに繰り返し接続するマルチレベル接続である。
マルチレベル接続はデコードプロセスにすべてのレベルの特徴情報を使用するよう促す。
マルチレベル接続では、チャネル毎の注意が、現在のレベルのデコードプロセスにおいてどのレベルの特徴が重要であるかを知るために考慮される。
第2の方法は広域非局所ブロックである。
降雨ストリークは主に垂直分布を示すため,画像のグリッドを水平方向のパッチに分割し,各地域に対して非局所的な操作を施し,豪雨のない背景情報を探索する。
人工および実世界の雨のデータセットにおける実験結果は、提案モデルが既存の最先端モデルを大幅に上回っていることを示している。
さらに, 共同デラリニングとセグメンテーション実験の結果, 我々のモデルが他の視覚タスクに効果的に寄与していることが証明された。
関連論文リスト
- RainyScape: Unsupervised Rainy Scene Reconstruction using Decoupled Neural Rendering [50.14860376758962]
多視点降雨画像の集合からクリーンなシーンを再構築するための教師なしフレームワークであるRainyScapeを提案する。
ニューラルネットワークのスペクトルバイアス特性に基づいて、まずニューラルネットワークのレンダリングパイプラインを最適化し、低周波シーン表現を得る。
我々は2つのモジュールを協調的に最適化し,適応的指向性勾配に基づく再構成損失によって駆動する。
論文 参考訳（メタデータ） (2024-04-17T14:07:22Z) - Dual Residual Attention Network for Image Denoising [19.978731146465822]
画像復調において、深部畳み込みニューラルネットワーク(CNN)は、空間不変ノイズの除去に好適な性能を得ることができる。
本稿では,画像認識のための新しいDual-branch Residual Attention Network(DRANet)を提案する。
我々のDRANetは、合成ノイズ除去と実世界のノイズ除去の両方で競合するノイズ除去性能を得ることができる。
論文 参考訳（メタデータ） (2023-05-07T13:11:55Z) - Online-updated High-order Collaborative Networks for Single Image
Deraining [51.22694467126883]
単一画像のデライン化は、ビデオ監視や自動運転システムなど、下流の人工知能アプリケーションにとって重要なタスクである。
マルチスケールのコンパクトな制約と双方向のスケール・コンテント類似性マイニングモジュールを備えた高階協調ネットワークを提案する。
提案手法は,5つの公開合成と1つの実世界のデータセットに対して,11の最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-02-14T09:09:08Z) - Multi-Scale Hourglass Hierarchical Fusion Network for Single Image
Deraining [8.964751500091005]
雨のひもはサイズ、方向および密度で頻繁に変わる深刻なぼやけおよび視覚質の低下をもたらします。
現在のCNN方式は, 降雨特性の描写や, 可視性に乏しい環境下でのイメージの復元に限られている。
本稿では,マルチスケール抽出,階層蒸留,情報集約による雨天の特徴を正確に把握するために,マルチスケールのHH2F-Netを提案する。
論文 参考訳（メタデータ） (2021-04-25T08:27:01Z) - Multi-Stage Progressive Image Restoration [167.6852235432918]
本稿では、これらの競合する目標を最適にバランスできる新しい相乗的設計を提案する。
本提案では, 劣化した入力の復元関数を段階的に学習する多段階アーキテクチャを提案する。
MPRNetという名前の密接な相互接続型マルチステージアーキテクチャは、10のデータセットに対して強力なパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2021-02-04T18:57:07Z) - Exploring Overcomplete Representations for Single Image Deraining using
CNNs [0.0]
最新の手法では、ディープネットワークを使用して、初期層をまたいだ低レベルの特徴と、ディープ層における高レベルの特徴をキャプチャする。
本稿では,局所構造学習に特に注目するオーバーコンプリート畳み込みネットワークアーキテクチャを提案する。
私たちはそれをU-Netと組み合わせて、低レベルの機能に注力しながら、グローバルな構造に負けないようにしています。
論文 参考訳（メタデータ） (2020-10-20T22:55:02Z) - DCSFN: Deep Cross-scale Fusion Network for Single Image Rain Removal [13.794959799789703]
降雨が画像の視界を著しく低下させるため、降雨は重要なもののコンピュータビジョンの課題である。
以前の研究は主に特徴抽出と処理、あるいはニューラルネットワーク構造に焦点を当てていた。
本稿では,画像雨雨除去課題を解決するために,ネットワークと内規模核融合操作のクロススケールな方法について検討する。
論文 参考訳（メタデータ） (2020-08-03T10:34:45Z) - A Model-driven Deep Neural Network for Single Image Rain Removal [52.787356046951494]
完全解釈可能なネットワーク構造を持つモデル駆動型ディープニューラルネットワークを提案する。
雨を表現するための畳み込み辞書学習機構に基づいて,新しい単一画像デレーニングモデルを提案する。
すべてのレインカーネルとオペレータは自動的に抽出され、レイン層とクリーンなバックグラウンド層の両方の特徴を忠実に特徴付けることができる。
論文 参考訳（メタデータ） (2020-05-04T09:13:25Z) - Multi-Scale Progressive Fusion Network for Single Image Deraining [84.0466298828417]
空気中の雨のストリークは、位置からカメラまでの距離が異なるため、様々なぼやけた度合いや解像度で現れる。
同様の降雨パターンは、雨像やマルチスケール(またはマルチレゾリューション)バージョンで見ることができる。
本研究では,入力画像のスケールと階層的な深部特徴の観点から,雨天のマルチスケール協調表現について検討する。
論文 参考訳（メタデータ） (2020-03-24T17:22:37Z) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳（メタデータ） (2020-02-07T03:45:25Z)
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。