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
- Domain-Transferred Synthetic Data Generation for Improving Monocular Depth Estimation [9.812476193015488]
本稿では,3次元合成環境とCycleGANドメイン転送を用いたシミュレーションデータ生成手法を提案する。
本研究では,DenseDepth構造に基づく深度推定モデルを実データと模擬データの異なるトレーニングセットを用いて学習することにより,このデータ生成手法を,人気のNYUDepth V2データセットと比較する。
本稿では,Huskyロボットによる新たに収集した画像とLiDAR深度データを用いたモデルの性能評価を行い,GAN変換データを実世界のデータ,特に深度推定の有効な代替手段として有効であることを示す。
論文 参考訳(メタデータ) (2024-05-02T09:21:10Z) - SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳(メタデータ) (2024-03-08T16:14:54Z) - RANRAC: Robust Neural Scene Representations via Random Ray Consensus [12.161889666145127]
RANRAC(RANdom RAy Consensus)は、一貫性のないデータの影響を排除するための効率的な手法である。
我々はRANSACパラダイムのファジィ適応を定式化し、大規模モデルへの適用を可能にした。
その結果, 新規な視点合成のための最先端のロバストな手法と比較して, 顕著な改善が見られた。
論文 参考訳(メタデータ) (2023-12-15T13:33:09Z) - ExposureDiffusion: Learning to Expose for Low-light Image Enhancement [87.08496758469835]
この研究は、拡散モデルと物理ベースの露光モデルとをシームレスに統合することで、この問題に対処する。
提案手法は,バニラ拡散モデルと比較して性能が大幅に向上し,推論時間を短縮する。
提案するフレームワークは、実際のペア付きデータセット、SOTAノイズモデル、および異なるバックボーンネットワークの両方で動作する。
論文 参考訳(メタデータ) (2023-07-15T04:48:35Z) - CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion
Models [72.93652777646233]
カモフラーゲ型物体検出(COD)は、カモフラーゲ型物体とその周囲の類似性が高いため、コンピュータビジョンにおいて難しい課題である。
本研究では,CODを拡散モデルを利用した条件付きマスク生成タスクとして扱う新しいパラダイムを提案する。
カモ拡散(CamoDiffusion)と呼ばれる本手法では,拡散モデルのデノナイズプロセスを用いてマスクの雑音を反復的に低減する。
論文 参考訳(メタデータ) (2023-05-29T07:49:44Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳(メタデータ) (2023-05-22T12:18:20Z) - 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) - 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) - 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)
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。