論文の概要: Progressive residual learning for single image dehazing
- arxiv url: http://arxiv.org/abs/2103.07973v1
- Date: Sun, 14 Mar 2021 16:54:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 13:54:39.740465
- Title: Progressive residual learning for single image dehazing
- Title(参考訳): 単一画像デハジングのためのプログレッシブ残差学習
- Authors: Yudong Liang, Bin Wang, Jiaying Liu, Deyu Li, Yuhua Qian and Wenqi Ren
- Abstract要約: 物理モデルフリーなデハジングプロセスと, 再構成された散乱モデルに基づくデハジング操作を組み合わせるために, 漸進的残留学習戦略が提案されている。
提案手法は,公開デヘイジングベンチマークにおける最先端手法に対して,複雑なデータに対するモデル解釈性と適応性に優れる。
- 参考スコア(独自算出の注目度): 57.651704852274825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The recent physical model-free dehazing methods have achieved
state-of-the-art performances. However, without the guidance of physical
models, the performances degrade rapidly when applied to real scenarios due to
the unavailable or insufficient data problems. On the other hand, the physical
model-based methods have better interpretability but suffer from
multi-objective optimizations of parameters, which may lead to sub-optimal
dehazing results. In this paper, a progressive residual learning strategy has
been proposed to combine the physical model-free dehazing process with
reformulated scattering model-based dehazing operations, which enjoys the
merits of dehazing methods in both categories. Specifically, the global
atmosphere light and transmission maps are interactively optimized with the aid
of accurate residual information and preliminary dehazed restorations from the
initial physical model-free dehazing process. The proposed method performs
favorably against the state-of-the-art methods on public dehazing benchmarks
with better model interpretability and adaptivity for complex hazy data.
- Abstract(参考訳): 最近の物理モデルフリーのデハジング手法は最先端のパフォーマンスを達成している。
しかし,物理モデルの指導がなければ,データ不足やデータ不足のため,実際のシナリオに適用すると性能は急速に低下する。
一方、物理モデルに基づく手法はより解釈性が高いが、パラメータの多目的最適化に苦しむため、準最適脱ハージング結果につながる可能性がある。
本稿では, 物理的モデルフリー脱ハージングプロセスと, 両カテゴリにおける脱ハージング手法のメリットを享受する改良型散乱モデルベース脱ハージング操作を組み合わせ, 段階的残留学習戦略を提案する。
特に、地球大気の光と透過地図は、初期物理モデルフリーの消泡過程から正確な残差情報と予備的な消泡修復の助けを借りてインタラクティブに最適化されている。
提案手法は,パブリックデヘイジングベンチマークにおける最先端手法に対して,複雑なヘイジングデータに対するモデル解釈性と適応性に優れる。
関連論文リスト
- DiffusionNOCS: Managing Symmetry and Uncertainty in Sim2Real Multi-Modal
Category-level Pose Estimation [20.676510832922016]
本研究では,部分物体形状の復元に不可欠な高密度正準写像を推定するために拡散に依存する確率モデルを提案する。
マルチモーダル入力表現を用いた拡散モデルの強度を活用することにより,性能向上のための重要なコンポーネントを導入する。
提案手法は, 生成した合成データのみに基づいて訓練されているにもかかわらず, 最先端の性能と前例のない一般化特性を達成している。
論文 参考訳(メタデータ) (2024-02-20T01:48:33Z) - Self-Play Fine-Tuning of Diffusion Models for Text-to-Image Generation [59.184980778643464]
ファインチューニング拡散モデル : 生成人工知能(GenAI)の最前線
本稿では,拡散モデル(SPIN-Diffusion)のための自己演奏ファインチューニングという革新的な手法を紹介する。
提案手法は従来の教師付き微調整とRL戦略の代替として,モデル性能とアライメントの両方を大幅に改善する。
論文 参考訳(メタデータ) (2024-02-15T18:59:18Z) - Debias the Training of Diffusion Models [53.49637348771626]
本研究では,拡散モデルにおいて一定の損失重み戦略を用いることで,トレーニング期間中に偏りが生じるという理論的証拠を提供する。
理論的に偏りのない原理に基づくエレガントで効果的な重み付け戦略を提案する。
これらの分析は、拡散モデルの内部動作の理解とデミステレーションを促進することが期待されている。
論文 参考訳(メタデータ) (2023-10-12T16:04:41Z) - Data-driven decision-focused surrogate modeling [10.1947610432159]
本稿では,実時間設定における非線形最適化問題の解決を目的とした,意思決定中心の代理モデルの概念を紹介する。
提案したデータ駆動フレームワークは、決定予測エラーを最小限に抑えるためにトレーニングされた、よりシンプルな、例えば凸(convex)、代理最適化モデル(surrogate optimization model)を学ぶことを目指している。
我々は、一般的な非線形化学プロセスの最適化を含む数値実験を通して、我々の枠組みを検証する。
論文 参考訳(メタデータ) (2023-08-23T14:23:26Z) - 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) - Exploiting Diffusion Prior for Real-World Image Super-Resolution [81.0962494325732]
本稿では,事前学習したテキスト・画像拡散モデルにカプセル化された事前知識を視覚的超解像に活用するための新しいアプローチを提案する。
時間認識エンコーダを用いることで、事前学習した合成モデルを変更することなく、有望な復元結果が得られる。
論文 参考訳(メタデータ) (2023-05-11T17:55:25Z) - MACE: An Efficient Model-Agnostic Framework for Counterfactual
Explanation [132.77005365032468]
MACE(Model-Agnostic Counterfactual Explanation)の新たな枠組みを提案する。
MACE法では, 優れた反実例を見つけるための新しいRL法と, 近接性向上のための勾配のない降下法を提案する。
公開データセットの実験は、有効性、空間性、近接性を向上して検証する。
論文 参考訳(メタデータ) (2022-05-31T04:57:06Z) - Model-based Policy Optimization with Unsupervised Model Adaptation [37.09948645461043]
本研究では,不正確なモデル推定による実データとシミュレーションデータのギャップを埋めて,より良いポリシ最適化を実現する方法について検討する。
本稿では,教師なしモデル適応を導入したモデルベース強化学習フレームワークAMPOを提案する。
提案手法は,一連の連続制御ベンチマークタスクにおけるサンプル効率の観点から,最先端の性能を実現する。
論文 参考訳(メタデータ) (2020-10-19T14:19:42Z) - A Semiparametric Approach to Interpretable Machine Learning [9.87381939016363]
機械学習におけるブラックボックスモデルは、複雑な問題と高次元設定において優れた予測性能を示した。
透明性と解釈可能性の欠如は、重要な意思決定プロセスにおけるそのようなモデルの適用性を制限します。
半パラメトリック統計学のアイデアを用いて予測モデルにおける解釈可能性と性能のトレードオフを行う新しい手法を提案する。
論文 参考訳(メタデータ) (2020-06-08T16:38:15Z) - Real-Time Model Calibration with Deep Reinforcement Learning [4.707841918805165]
本稿では,強化学習に基づくモデルパラメータ推定のための新しいフレームワークを提案する。
提案手法を2つのモデルベース診断試験ケースで実証し, 評価した。
論文 参考訳(メタデータ) (2020-06-07T00:11:42Z)
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。