論文の概要: Exploring Overcomplete Representations for Single Image Deraining using CNNs

• arxiv url: http://arxiv.org/abs/2010.10661v1
• Date: Tue, 20 Oct 2020 22:55:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 07:38:54.308803
• Title: Exploring Overcomplete Representations for Single Image Deraining using CNNs
• Title（参考訳）: cnnを用いた単一画像の過完全表現の検討
• Authors: Rajeev Yasarla (Student Member, IEEE), Jeya Maria Jose Valanarasu (Student Member, IEEE), and Vishal M. Patel (Senior Member, IEEE)
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Removal of rain streaks from a single image is an extremely challenging problem since the rainy images often contain rain streaks of different size, shape, direction and density. Most recent methods for deraining use a deep network following a generic "encoder-decoder" architecture which captures low-level features across the initial layers and high-level features in the deeper layers. For the task of deraining, the rain streaks which are to be removed are relatively small and focusing much on global features is not an efficient way to solve the problem. To this end, we propose using an overcomplete convolutional network architecture which gives special attention in learning local structures by restraining the receptive field of filters. We combine it with U-Net so that it does not lose out on the global structures as well while focusing more on low-level features, to compute the derained image. The proposed network called, Over-and-Under Complete Deraining Network (OUCD), consists of two branches: overcomplete branch which is confined to small receptive field size in order to focus on the local structures and an undercomplete branch that has larger receptive fields to primarily focus on global structures. Extensive experiments on synthetic and real datasets demonstrate that the proposed method achieves significant improvements over the recent state-of-the-art methods.
• Abstract（参考訳）: 雨のストレークはサイズ、形状、方向、密度が異なることが多いため、単一の画像から雨のストレークを取り除くことは極めて難しい問題である。 一般的な"エンコーダ・デコーダ"アーキテクチャに従ってディープネットワークを使用して、初期層全体にわたる低レベルの機能と、ディープ層内の高レベルの機能をキャプチャする。 排水作業では、除去すべき雨のストレークは比較的小さく、グローバルな特徴に多くを注力することは、この問題を解決する効率的な方法ではない。 そこで本研究では,フィルタの受容場を抑制することで局所構造学習に特に注意を向ける,超完全畳み込みネットワークアーキテクチャを提案する。 U-Netと組み合わせることでグローバルな構造を損なうことなく,低レベルな機能に重点を置いて,デライン画像を計算することができるのです。 提案するoucd(over-and-under complete deraining network)と呼ばれるネットワークは、局所構造に焦点を絞るために小さな受容野サイズに制限された過完全分岐と、大域構造に焦点をあてるより大きな受容野を持つ過完全分岐の2つの分岐からなる。 合成データと実データに関する広範囲な実験により,提案手法が最新の最先端手法よりも大幅に改善できることが証明された。

関連論文リスト

• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• 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)
• 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)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• 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)
• MCW-Net: Single Image Deraining with Multi-level Connections and Wide Regional Non-local Blocks [6.007222067550804]
  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。
  論文  参考訳（メタデータ） (2020-09-29T13:21:31Z)
• 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)
• 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。