Fugu-MT 論文翻訳(概要): Non-local Channel Aggregation Network for Single Image Rain Removal

論文の概要: Non-local Channel Aggregation Network for Single Image Rain Removal

arxiv url: http://arxiv.org/abs/2103.02488v1
Date: Wed, 3 Mar 2021 15:57:37 GMT
ステータス: 処理完了
システム内更新日: 2021-03-04 14:58:37.049512
Title: Non-local Channel Aggregation Network for Single Image Rain Removal
Title（参考訳）: 単画像降雨除去のための非局所チャネル集約ネットワーク
Authors: Zhipeng Su, Yixiong Zhang, Xiao-Ping Zhang, Feng Qi
Abstract要約: 単一の画像雨除去問題に対処するために,非局所チャネル集約ネットワーク(NCANet)を提案する。 NCANETは、垂直方向、横方向、チャネル方向の3方向のベクトルのシーケンスとして2D雨像をモデル化する。 3つの方向から情報を集約することで、チャネルと空間の両方における長距離依存性を捉えることができます。
参考スコア（独自算出の注目度）: 3.7679182997120066
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Rain streaks showing in images or videos would severely degrade the performance of computer vision applications. Thus, it is of vital importance to remove rain streaks and facilitate our vision systems. While recent convolutinal neural network based methods have shown promising results in single image rain removal (SIRR), they fail to effectively capture long-range location dependencies or aggregate convolutional channel information simultaneously. However, as SIRR is a highly illposed problem, these spatial and channel information are very important clues to solve SIRR. First, spatial information could help our model to understand the image context by gathering long-range dependency location information hidden in the image. Second, aggregating channels could help our model to concentrate on channels more related to image background instead of rain streaks. In this paper, we propose a non-local channel aggregation network (NCANet) to address the SIRR problem. NCANet models 2D rainy images as sequences of vectors in three directions, namely vertical direction, transverse direction and channel direction. Recurrently aggregating information from all three directions enables our model to capture the long-range dependencies in both channels and spaitials locations. Extensive experiments on both heavy and light rain image data sets demonstrate the effectiveness of the proposed NCANet model.
Abstract（参考訳）: 画像やビデオに現れる雨のストリークは、コンピュータビジョンアプリケーションの性能を著しく低下させる。したがって、雨害を取り除き、視覚システムを促進することが極めて重要である。最近の畳み込みニューラルネットワークに基づく手法では、単一画像雨除去(SIRR)の有望な結果が示されているが、長距離位置依存性や集約畳み込みチャネル情報を同時に捕捉することはできなかった。しかし、SIRRは非常に病的な問題であるため、これらの空間およびチャネル情報はSIRRを解決するための非常に重要な手がかりです。まず、空間情報は、画像中に隠された長距離依存位置情報を収集することで、画像コンテキストを理解するのに役立ちます。第2に、集約チャネルは、雨天ではなく、画像背景に関連するチャネルに集中するのに役立ちます。本稿では,SIRR問題に対処するための非局所チャネル集約ネットワーク(NCANet)を提案する。 NCANETは、垂直方向、横方向、チャネル方向の3方向のベクトルのシーケンスとして2D雨像をモデル化する。 3つの方向から情報を集約することで、チャネルと空間の両方における長距離依存性を捉えることができます。重雨と軽雨の両方の画像データセットに関する広範な実験は、提案されたNCANetモデルの有効性を示す。

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)
StreakNet-Arch: An Anti-scattering Network-based Architecture for Underwater Carrier LiDAR-Radar Imaging [48.30281861646519]
本稿では,水中キャリアLiDAR-Radar(UCLR)イメージングシステム用に設計された新しい信号処理アーキテクチャであるStreakNet-Archを紹介する。 StreakNet-Archは、信号処理をリアルタイムなエンドツーエンドのバイナリ分類タスクとして定式化する。本稿では,ストリークチューブカメライメージを注目ネットワークに埋め込み,学習帯域通過フィルタとして効果的に機能する手法を提案する。
論文参考訳（メタデータ） (2024-04-14T06:19:46Z)
TBSN: Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
BSN(Blind-spot Network)は、自己教師型イメージデノベーション(SSID)において一般的なネットワークアーキテクチャである。本稿では, ブラインドスポット要求を満たす変圧器演算子の解析と再設計により, 変圧器ベースブラインドスポットネットワーク(TBSN)を提案する。空間的自己注意のために、注意行列に精巧なマスクを適用して受容場を制限し、拡張された畳み込みを模倣する。チャネル自己アテンションについては,マルチスケールアーキテクチャの深層部において,チャネル数が空間的サイズよりも大きい場合,盲点情報を漏洩する可能性がある。
論文参考訳（メタデータ） (2024-04-11T15:39:10Z)
SufrinNet: Toward Sufficient Cross-View Interaction for Stereo Image Enhancement in The Dark [119.01585302856103]
低照度ステレオ画像強調(LLSIE)は、暗黒環境で撮影された視覚的に不快なステレオ画像の品質を高めるための比較的新しいタスクである。 1)クロスビューの相互作用が不十分なこと,2)ビュー内学習に長距離依存が欠如していること,である。 SufrinNet(SufrinNet)を用いた新しいLLSIEモデルを提案する。
論文参考訳（メタデータ） (2022-11-02T04:01:30Z)
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)
Group Fisher Pruning for Practical Network Compression [58.25776612812883]
本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
論文参考訳（メタデータ） (2021-08-02T08:21:44Z)
A Flow-Guided Mutual Attention Network for Video-Based Person Re-Identification [25.217641512619178]
Person ReIDは多くの分析および監視アプリケーションにおいて難しい問題である。ビデオベースのReIDは最近、特徴識別時間情報をキャプチャできるので、大きな関心を集めている。本稿では、ReIDのための追加のキューとして、人物の動作パターンを探索する。
論文参考訳（メタデータ） (2020-08-09T18:58:11Z)
Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文参考訳（メタデータ） (2020-06-20T03:11:04Z)
Connectivity-informed Drainage Network Generation using Deep Convolution Generative Adversarial Networks [1.7942265700058988]
すでに生成されたネットワークサンプルから排水網を再現するために,DCGAN(Deep Convolutional Generative Adversarial Networks)を適用した。ドレインジネットワーク画像からドレインジネットワークの各ノード上の流れの方向情報に変換する新しい接続インフォームド手法を開発した。
論文参考訳（メタデータ） (2020-06-16T20:35:48Z)
AdaptiveWeighted Attention Network with Camera Spectral Sensitivity Prior for Spectral Reconstruction from RGB Images [22.26917280683572]
スペクトル再構成のための適応重み付き注意ネットワーク(AWAN)を提案する。 AWCAおよびPSNLモジュールは、チャネルワイドな特徴応答を再配置するために開発された。 NTIRE 2020 Spectral Reconstruction Challengeでは、クリーントラックで1位、リアルワールドで3位を獲得しました。
論文参考訳（メタデータ） (2020-05-19T09:21:01Z)

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。