Fugu-MT 論文翻訳(概要): Robust Representation Learning with Feedback for Single Image Deraining

論文の概要: Robust Representation Learning with Feedback for Single Image Deraining

arxiv url: http://arxiv.org/abs/2101.12463v1
Date: Fri, 29 Jan 2021 08:20:50 GMT
ステータス: 処理完了
システム内更新日: 2021-02-01 12:48:10.724512
Title: Robust Representation Learning with Feedback for Single Image Deraining
Title（参考訳）: 単一画像参照のためのフィードバックによるロバスト表現学習
Authors: Chenghao Chen and Hao Li
Abstract要約: デラインネットワークは条件発生器として解釈することができる。品質の低い機能を、潜伏する高品質な機能に置き換えます。誤り検出と特徴補償のための新しい手法を提案する。
参考スコア（独自算出の注目度）: 7.540176446791261
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A deraining network may be interpreted as a condition generator. Image degradation generated by the deraining network can be attributed to defective embedding features that serve as conditions. Existing image deraining methods usually ignore uncertainty-caused model errors that lower embedding quality and embed low-quality features into the model directly. In contrast, we replace low-quality features by latent high-quality features. The spirit of closed-loop feedback in the automatic control field is borrowed to obtain latent high-quality features. A new method for error detection and feature compensation is proposed to address model errors. Extensive experiments on benchmark datasets as well as specific real datasets demonstrate the advantage of the proposed method over recent state-of-the-art methods.
Abstract（参考訳）: 送出網は条件発生器として解釈できる。レーダリングネットワークによって生成される画像劣化は、条件として機能する欠陥のある埋め込み特徴によって引き起こされる。既存の画像参照手法は通常、不確実性に起因するモデルエラーを無視し、品質を低下させ、品質の低い機能をモデルに直接組み込む。対照的に、低品質の機能を潜伏する高品質な機能に置き換える。自動制御分野における閉ループフィードバックの精神を借用し、潜在的な高品質な特徴を得る。モデルエラーに対処するために,新しい誤り検出法と特徴補償法を提案する。ベンチマークデータセットと特定の実データセットに関する大規模な実験は、最近の最先端手法よりも提案手法の利点を実証している。

関連論文リスト

Dual-Representation Interaction Driven Image Quality Assessment with Restoration Assistance [11.983231834400698]
歪み画像の非参照画像品質評価は、画像内容のばらつきと歪みの多様性のために常に難しい問題である。以前のIQAモデルは、主に、品質スコア予測のための品質認識表現を得るために、合成画像の明示的な単一品質特徴を符号化していた。低画質画像の劣化・品質情報を別々にモデル化するDRI法を提案する。
論文参考訳（メタデータ） (2024-11-26T12:48:47Z)
Efficient Test-Time Adaptation for Super-Resolution with Second-Order Degradation and Reconstruction [62.955327005837475]
画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。 SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
論文参考訳（メタデータ） (2023-10-29T13:58:57Z)
DifFIQA: Face Image Quality Assessment Using Denoising Diffusion Probabilistic Models [1.217503190366097]
顔画像品質評価(FIQA)技術は、これらの性能劣化を軽減することを目的としている。拡散確率モデル(DDPM)に基づく強力な新しいFIQA手法DifFIQAを提案する。拡散に基づく摂動は計算コストが高いため、DifFIQA(R)と呼ばれる回帰ベースの品質予測器にDifFIQAで符号化された知識を蒸留する。
論文参考訳（メタデータ） (2023-05-09T21:03:13Z)
Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
論文参考訳（メタデータ） (2022-08-05T09:36:13Z)
Image Quality Assessment using Contrastive Learning [50.265638572116984]
我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
論文参考訳（メタデータ） (2021-10-25T21:01:00Z)
Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
論文参考訳（メタデータ） (2021-09-13T12:45:08Z)
Perceptual Image Restoration with High-Quality Priori and Degradation Learning [28.93489249639681]
本モデルは,復元画像と劣化画像の類似度を測定するのに有効であることを示す。同時修復・拡張フレームワークは,実世界の複雑な分解型によく一般化する。
論文参考訳（メタデータ） (2021-03-04T13:19:50Z)
Same Same But DifferNet: Semi-Supervised Defect Detection with Normalizing Flows [24.734388664558708]
畳み込みニューラルネットワークによって抽出された特徴の記述性を利用して、その密度を推定する。これらの可能性に基づいて、欠陥を示すスコアリング関数を開発する。本稿では,新しいMVTec ADとMagnetic Tile Defectsデータセットに対する既存のアプローチよりも優れた性能を示す。
論文参考訳（メタデータ） (2020-08-28T10:49:28Z)
Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
論文参考訳（メタデータ） (2020-08-06T02:07:21Z)
Invertible Image Rescaling [118.2653765756915]
Invertible Rescaling Net (IRN) を開発した。我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
論文参考訳（メタデータ） (2020-05-12T09:55:53Z)
Granular Learning with Deep Generative Models using Highly Contaminated Data [0.0]
品質問題のある実世界の画像データセット上で, 微粒な意味での異常検出のための深部生成モデルの最近の進歩を活用するためのアプローチを詳述する。このアプローチは完全に教師なし(アノテーションは使用できない)だが、質的に画像の正確なセマンティックラベリングを提供するために示される。
論文参考訳（メタデータ） (2020-01-06T23:22:17Z)

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。