論文の概要: Dual Attention-in-Attention Model for Joint Rain Streak and Raindrop Removal

• arxiv url: http://arxiv.org/abs/2103.07051v1
• Date: Fri, 12 Mar 2021 03:00:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 13:24:07.666017
• Title: Dual Attention-in-Attention Model for Joint Rain Streak and Raindrop Removal
• Title（参考訳）: 降雨ストレークと雨滴除去の2重注意モデル
• Authors: Kaihao Zhang, Dongxu Li, Wenhan Luo, Wenqi Ren, Lin Ma, Hongdong Li
• Abstract要約: 降雨量と降雨量の両方を同時に除去する2つのDAMを含むDual Attention-in-Attention Model (DAiAM)を提案する。 提案手法は,降雨量と降雨量とを同時に除去できるだけでなく,両タスクの最先端性能も達成できる。
• 参考スコア（独自算出の注目度）: 103.4067418083549
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rain streaks and rain drops are two natural phenomena, which degrade image capture in different ways. Currently, most existing deep deraining networks take them as two distinct problems and individually address one, and thus cannot deal adequately with both simultaneously. To address this, we propose a Dual Attention-in-Attention Model (DAiAM) which includes two DAMs for removing both rain streaks and raindrops. Inside the DAM, there are two attentive maps - each of which attends to the heavy and light rainy regions, respectively, to guide the deraining process differently for applicable regions. In addition, to further refine the result, a Differential-driven Dual Attention-in-Attention Model (D-DAiAM) is proposed with a "heavy-to-light" scheme to remove rain via addressing the unsatisfying deraining regions. Extensive experiments on one public raindrop dataset, one public rain streak and our synthesized joint rain streak and raindrop (JRSRD) dataset have demonstrated that the proposed method not only is capable of removing rain streaks and raindrops simultaneously, but also achieves the state-of-the-art performance on both tasks.
• Abstract（参考訳）: 雨滴と雨滴は2つの自然現象であり、異なる方法でイメージキャプチャーを劣化させる。 現在、ほとんどの既存の深層排水ネットワークは、それらを2つの異なる問題として捉え、個別に対処するため、両方を同時に処理することはできません。 そこで本研究では,降雨量と降雨量の両方を除去する2つのDAMを含むDual Attention-in-Attention Model (DAiAM)を提案する。 DAM内には、重雨地域と軽雨地帯にそれぞれ参列する2つの注意深い地図記があり、適用地域ごとに異なる導出過程を導出する。 さらに, ディファレンシャル駆動のデュアルアテンション・イン・アテンション・モデル (D-DAiAM) は, 不満足な降雨領域に対処して雨を除去する「軽量」方式で提案されている。 1つの公共雨害データセット,1つの公共雨害データセット,および2つの複合雨害・降雨雨害データセットに対する大規模な実験により,提案手法が同時に雨害・降雨害を除去できるだけでなく,両課題における最先端の性能も達成できることが実証された。

関連論文リスト

• Sparse Sampling Transformer with Uncertainty-Driven Ranking for Unified Removal of Raindrops and Rain Streaks [17.00078021737863]
  実際の世界では、雨による画像劣化は、しばしば雨害と雨滴の組み合わせを示し、それによって根底にあるクリーンなイメージを回復する課題が増大する。 本稿は,グローバルな視点における劣化関係を学習し,モデル化するための,効率的かつ柔軟なメカニズムを提案することを目的とする。
  論文  参考訳（メタデータ） (2023-08-27T16:33:11Z)
• Dual Degradation Representation for Joint Deraining and Low-Light Enhancement in the Dark [57.85378202032541]
  暗闇の中での雨は、自律運転や監視システム、夜間写真など、現実世界のアプリケーションをデプロイする上で大きな課題となる。 既存の低照度化や除染法は、低照度を明るくし、同時に雨を取り除くのに苦労する。 L$2$RIRNetと呼ばれるエンド・ツー・エンドのモデルを導入する。
  論文  参考訳（メタデータ） (2023-05-06T10:17:42Z)
• Joint Depth Estimation and Mixture of Rain Removal From a Single Image [24.009353523566162]
  そこで我々は,DeMore-Netと呼ばれる降雨の混合に対する効果的な画像デクリニングパラダイムを提案する。 本研究では,画像のデアライジング作業における正規化手法について検討し,DeMore-Netのデアライジング性能を向上させるためにHNB(Hybrid Normalization Block)を導入する。
  論文  参考訳（メタデータ） (2023-03-31T02:05:45Z)
• Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
  本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。 安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。 また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-23T13:34:01Z)
• Asymmetric Dual-Decoder U-Net for Joint Rain and Haze Removal [21.316673824040752]
  現実のシナリオでは、雨とヘイズ(しばしば共起する共通の気象現象)は、シーンイメージの明快さと質を大幅に低下させる。 本稿では、上記の課題に対処するため、新しいディープニューラルネットワーク、Asymmetric Dual-Decoder U-Net(ADU-Net)を提案する。 ADU−Netは、汚染残留物とシーン残留物の両方を生成し、シーン情報の忠実性を維持しつつ、雨とヘイズを効率的に除去する。
  論文  参考訳（メタデータ） (2022-06-14T12:50:41Z)
• Deep Single Image Deraining using An Asymetric Cycle Generative and Adversarial Framework [16.59494337699748]
  単体画像デライニングのための新しいACGF(Asymetric Cycle Generative and Adrial framework)を提案する。 ACGFは合成雨像と実際の雨像の両方を訓練し、同時に雨の流れと霧の特徴を捉えている。 基準降雨量と降雨量のデータセットによる実験では、ACGFは最先端のデラライニング法よりも優れていた。
  論文  参考訳（メタデータ） (2022-02-19T16:14:10Z)
• Unpaired Adversarial Learning for Single Image Deraining with Rain-Space Contrastive Constraints [61.40893559933964]
  我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。 提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
  論文  参考訳（メタデータ） (2021-09-07T10:00:45Z)
• Closing the Loop: Joint Rain Generation and Removal via Disentangled Image Translation [12.639320247831181]
  我々は、雨の発生と除去は同じ硬貨の両側面であり、密結合であるべきだと主張する。 本稿では,各一方向ネットワークが2ループの連雨発生と除去を含む双方向不整合翻訳ネットワークを提案する。 人工および実世界の降雨データセットに関する実験は、最先端の雨よりも提案手法の優越性を示している。
  論文  参考訳（メタデータ） (2021-03-25T08:21:43Z)
• Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
  本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。 具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。 ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
  論文  参考訳（メタデータ） (2021-03-14T14:28:57Z)
• 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)

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。