論文の概要: Closing the Loop: Joint Rain Generation and Removal via Disentangled
Image Translation
- arxiv url: http://arxiv.org/abs/2103.13660v1
- Date: Thu, 25 Mar 2021 08:21:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-26 21:20:03.849699
- Title: Closing the Loop: Joint Rain Generation and Removal via Disentangled
Image Translation
- Title(参考訳): ループを閉じる:不連続画像翻訳による共同雨の発生と除去
- Authors: Yuntong Ye, Yi Chang, Hanyu Zhou, Luxin Yan
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 12.639320247831181
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing deep learning-based image deraining methods have achieved promising
performance for synthetic rainy images, typically rely on the pairs of sharp
images and simulated rainy counterparts. However, these methods suffer from
significant performance drop when facing the real rain, because of the huge gap
between the simplified synthetic rain and the complex real rain. In this work,
we argue that the rain generation and removal are the two sides of the same
coin and should be tightly coupled. To close the loop, we propose to jointly
learn real rain generation and removal procedure within a unified disentangled
image translation framework. Specifically, we propose a bidirectional
disentangled translation network, in which each unidirectional network contains
two loops of joint rain generation and removal for both the real and synthetic
rain image, respectively. Meanwhile, we enforce the disentanglement strategy by
decomposing the rainy image into a clean background and rain layer (rain
removal), in order to better preserve the identity background via both the
cycle-consistency loss and adversarial loss, and ease the rain layer
translating between the real and synthetic rainy image. A counterpart
composition with the entanglement strategy is symmetrically applied for rain
generation. Extensive experiments on synthetic and real-world rain datasets
show the superiority of proposed method compared to state-of-the-arts.
- Abstract(参考訳): 既存のディープラーニングに基づく画像デライニング手法は、合成雨画像に対して有望な性能を達成しており、通常は鋭い画像と模擬雨画像のペアに依存している。
しかし, 簡易合成雨と複雑な実雨との間には大きなギャップがあるため, 実際の雨に面した際の性能低下に悩まされている。
本研究では,雨の発生と除去は同じ硬貨の両側面であり,密結合すべきであると主張する。
このループを閉じるために, 統一された画像翻訳フレームワークにおいて, 雨の発生・除去手順を共同学習することを提案する。
具体的には, 実雨画像と合成雨画像の両方に対して, 各一方向ネットワークが2つの共同雨発生ループと除去ループを含む双方向不等角化翻訳ネットワークを提案する。
一方,雨像をクリーンな背景層とレイン層(レイン除去層)に分解し,サイクル整合性損失と対向性損失を両立させ,実際の雨像と合成雨像の間を通した雨層を緩和するため,雨像をクリーンな背景層とレイン除去層に分解する。
この絡み合い戦略と相反する組成物は、雨の発生に対称的に適用される。
人工雨と実世界の降雨データセットに関する広範な実験は、最先端雨と比較して提案手法が優れていることを示している。
関連論文リスト
- TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。
その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。
提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
論文 参考訳(メタデータ) (2024-03-15T03:27:39Z) - TPSeNCE: Towards Artifact-Free Realistic Rain Generation for Deraining
and Object Detection in Rain [23.050711662981655]
本稿では,現実的な降雨画像を生成するための画像間翻訳フレームワークを提案する。
まず, 三角確率類似性制約を導入し, 判別器多様体の鮮明で雨の多い画像に向けて生成した画像を誘導する。
実験では、最小限のアーチファクトと歪みで現実的な雨の発生を実証し、雨中の画像の劣化と物体の検出に有効である。
論文 参考訳(メタデータ) (2023-11-01T17:08:26Z) - 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) - Unsupervised Deraining: Where Asymmetric Contrastive Learning Meets
Self-similarity [33.188738443097336]
本稿では,各層内の内在的相似性と2層間の排他性について検討する。
教師なし非局所コントラスト学習 (NLCL) デライン法を提案する。
論文 参考訳(メタデータ) (2022-11-02T02:47:20Z) - Semi-DRDNet Semi-supervised Detail-recovery Image Deraining Network via
Unpaired Contrastive Learning [59.22620253308322]
半教師付き詳細復元画像デラミニングネットワーク(セミDRDNet)を提案する。
半教師付き学習パラダイムとして、Semi-DRDNetは、強靭性と詳細な精度を犠牲にして、合成データと実世界の降雨データの両方を円滑に運用する。
論文 参考訳(メタデータ) (2022-04-06T12:35:27Z) - 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) - Dual Attention-in-Attention Model for Joint Rain Streak and Raindrop
Removal [103.4067418083549]
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。
論文 参考訳(メタデータ) (2021-03-12T03:00:33Z) - 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) - Semi-DerainGAN: A New Semi-supervised Single Image Deraining Network [45.78251508028359]
本稿では,セミデリンGANと呼ばれる,半教師付きGANベースのデラミニングネットワークを提案する。
2つの教師なしおよび教師なしのプロセスを使用して、一様ネットワークで合成画像と実際の雨画像の両方を使用することができる。
そこで我々は,実対と偽対を識別する識別器を設計した。
論文 参考訳(メタデータ) (2020-01-23T07:01:30Z)
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。