論文の概要: Advanced Multiple Linear Regression Based Dark Channel Prior Applied on Dehazing Image and Generating Synthetic Haze

• arxiv url: http://arxiv.org/abs/2103.07065v1
• Date: Fri, 12 Mar 2021 03:32:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 22:28:54.535310
• Title: Advanced Multiple Linear Regression Based Dark Channel Prior Applied on Dehazing Image and Generating Synthetic Haze
• Title（参考訳）: 分解画像と合成ヘイズ生成に先立って応用した高度多重線形回帰型ダークチャネル
• Authors: Binghan Li, Yindong Hua, Mi Lu
• Abstract要約: 筆者らは,ダークチャネル・プリアー(dark channel prior)というデヘイジングアルゴリズムに基づく多重線形回帰ヘイズ除去モデルを提案する。 湿潤環境における物体検出精度を高めるため, 著者らは, 合成湿潤COCOトレーニングデータセットを構築するアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.6875312133832078
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Haze removal is an extremely challenging task, and object detection in the hazy environment has recently gained much attention due to the popularity of autonomous driving and traffic surveillance. In this work, the authors propose a multiple linear regression haze removal model based on a widely adopted dehazing algorithm named Dark Channel Prior. Training this model with a synthetic hazy dataset, the proposed model can reduce the unanticipated deviations generated from the rough estimations of transmission map and atmospheric light in Dark Channel Prior. To increase object detection accuracy in the hazy environment, the authors further present an algorithm to build a synthetic hazy COCO training dataset by generating the artificial haze to the MS COCO training dataset. The experimental results demonstrate that the proposed model obtains higher image quality and shares more similarity with ground truth images than most conventional pixel-based dehazing algorithms and neural network based haze-removal models. The authors also evaluate the mean average precision of Mask R-CNN when training the network with synthetic hazy COCO training dataset and preprocessing test hazy dataset by removing the haze with the proposed dehazing model. It turns out that both approaches can increase the object detection accuracy significantly and outperform most existing object detection models over hazy images.
• Abstract（参考訳）: ヘイズ除去は非常に困難な作業であり、近年、自動運転や交通監視の普及により、ヘイズ環境での物体検出が注目されています。 本研究では,Dark Channel Prior という,広く採用されているデハージングアルゴリズムに基づく複数の線形回帰ヘイズ除去モデルを提案する。 合成ハジーデータセットを用いてこのモデルを訓練することにより,暗チャネルプリエントにおける送信マップと大気光の粗さ推定から生じる予期せぬ偏差を低減できる。 ヘージー環境における物体検出精度を高めるために、著者らは、MS COCOトレーニングデータセットに人工ヘーゼを生成して合成ヘージーCOCOトレーニングデータセットを構築するアルゴリズムを提示した。 実験の結果,提案モデルは従来のピクセルベースデヘイジングアルゴリズムやニューラルネットワークによるヘイズ除去モデルよりも画質が高く,グラウンド真理画像との類似度が高いことがわかった。 また,提案モデルを用いてhazeを除去し,合成hazy cocoトレーニングデータセットと前処理テストhazyデータセットを用いてネットワークをトレーニングする場合,マスクr-cnnの平均精度を評価する。 どちらのアプローチも、オブジェクトの検出精度を大幅に向上させ、ヘイズ画像よりも既存のほとんどのオブジェクト検出モデルより優れています。

関連論文リスト

• Reliable Image Dehazing by NeRF [16.679492999738788]
  本稿では,高品質で広いアプリケーション,データトレーニングや事前の必要のない画像復調アルゴリズムを提案する。 そこで本研究では,光散乱モデルとコンピュータグラフィックスライティングレンダリングモデルの組み合わせにより,従来のデハージングモデルの欠陥を分析し,新しい信頼性の高いデハージング再構成およびデハージングモデルを提案する。 新しいヘイズモデルとカメラが取得した画像に基づいて、三次元空間を再構築し、空間内の物体やヘイズを正確に計算し、ヘイズの透明な関係を利用して正確なヘイズ除去を行う。
  論文  参考訳（メタデータ） (2023-03-16T08:34:03Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Dual-Scale Single Image Dehazing Via Neural Augmentation [29.019279446792623]
  モデルベースとデータ駆動のアプローチを組み合わせることで,新しい単一画像デハージングアルゴリズムを導入する。 その結果,提案アルゴリズムは実世界および合成ヘイズ画像からヘイズをうまく除去できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-13T11:56:03Z)
• DeepRM: Deep Recurrent Matching for 6D Pose Refinement [77.34726150561087]
  DeepRMは、6Dポーズ改善のための新しいリカレントネットワークアーキテクチャである。 DeepRMはエンドツーエンドでトレーニングされており、スケーラブルなバックボーンを使用している。 以上の結果から,DeepRMは,広く受け入れられている2つの課題データセットに対して,最先端のパフォーマンスを実現することができた。
  論文  参考訳（メタデータ） (2022-05-28T16:18:08Z)
• Model-Based Single Image Deep Dehazing [20.39952114471173]
  モデルベースおよびデータ駆動アプローチを融合させることにより,新しい単一画像デハージングアルゴリズムを導入する。 実験結果から,提案アルゴリズムは実世界のヘイズ画像や合成ヘイズ画像からヘイズをうまく除去できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T01:57:51Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing [48.65974971543703]
  画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。 我々のモデルは、より自然でリアルなデハズド画像を生成することができ、色歪みは少なく、アーティファクトも少ない。 実験により, 提案手法は, 公開合成データセットと実世界の画像の両方において, 最先端の性能に達することが示された。
  論文  参考訳（メタデータ） (2020-01-20T04:36:11Z)
• Single Image Dehazing Using Ranking Convolutional Neural Network [43.9523642309301]
  本稿では,単一画像復調のための新しいランクリング畳み込みニューラルネットワーク(Ranking-CNN)を提案する。 Ranking-CNNをよく設計された方法でトレーニングすることにより、巨大なヘイズ画像パッチから、強力なヘイズ関連機能を自動的に学習することができる。 提案手法は, 合成および実世界のベンチマーク画像において, 過去のデハージングアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-01-15T11:25:08Z)

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。