論文の概要: Multi-Scale Hourglass Hierarchical Fusion Network for Single Image Deraining

• arxiv url: http://arxiv.org/abs/2104.12100v1
• Date: Sun, 25 Apr 2021 08:27:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 14:25:16.767211
• Title: Multi-Scale Hourglass Hierarchical Fusion Network for Single Image Deraining
• Title（参考訳）: マルチスケール時間ガラス階層型核融合ネットワークによる画像評価
• Authors: Xiang Chen, Yufeng Huang, Lei Xu
• Abstract要約: 雨のひもはサイズ、方向および密度で頻繁に変わる深刻なぼやけおよび視覚質の低下をもたらします。 現在のCNN方式は, 降雨特性の描写や, 可視性に乏しい環境下でのイメージの復元に限られている。 本稿では,マルチスケール抽出,階層蒸留,情報集約による雨天の特徴を正確に把握するために,マルチスケールのHH2F-Netを提案する。
• 参考スコア（独自算出の注目度）: 8.964751500091005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rain streaks bring serious blurring and visual quality degradation, which often vary in size, direction and density. Current CNN-based methods achieve encouraging performance, while are limited to depict rain characteristics and recover image details in the poor visibility environment. To address these issues, we present a Multi-scale Hourglass Hierarchical Fusion Network (MH2F-Net) in end-to-end manner, to exactly captures rain streak features with multi-scale extraction, hierarchical distillation and information aggregation. For better extracting the features, a novel Multi-scale Hourglass Extraction Block (MHEB) is proposed to get local and global features across different scales through down- and up-sample process. Besides, a Hierarchical Attentive Distillation Block (HADB) then employs the dual attention feature responses to adaptively recalibrate the hierarchical features and eliminate the redundant ones. Further, we introduce a Residual Projected Feature Fusion (RPFF) strategy to progressively discriminate feature learning and aggregate different features instead of directly concatenating or adding. Extensive experiments on both synthetic and real rainy datasets demonstrate the effectiveness of the designed MH2F-Net by comparing with recent state-of-the-art deraining algorithms. Our source code will be available on the GitHub: https://github.com/cxtalk/MH2F-Net.
• Abstract（参考訳）: 雨のストリークは、しばしばサイズ、方向、密度によって大きくぼやけ、視覚的品質の劣化をもたらす。 現在のCNN方式は, 降雨特性の描写や, 可視性に乏しい環境下でのイメージの復元に限られている。 これらの課題に対処するため,マルチスケールのHH2F-Net (MH2F-Net) をエンドツーエンドに提示し,マルチスケール抽出,階層蒸留,情報集約による雨天の特徴を正確に把握する。 特徴をよりよく抽出するために, ダウンサンプル・アップサンプル・プロセスを通じて, 局所的・グローバルな特徴を多スケール抽出ブロック(MHEB)として提案する。 さらに、階層的注意蒸留ブロック(hadb)は、二重注意機能応答を使用して階層的特徴を適応的に再調整し、冗長な特徴を取り除く。 さらに,機能学習を段階的に判別し,特徴の結合や付加ではなく,特徴の集約を行う残余投影型特徴融合(rpff)戦略を導入する。 人工雨天データセットと実雨天データセットの大規模な実験は、最近の最先端のデラミニングアルゴリズムと比較して設計されたMH2F-Netの有効性を示す。 ソースコードはGitHubで入手できる。 https://github.com/cxtalk/MH2F-Net。

関連論文リスト

• Retain, Blend, and Exchange: A Quality-aware Spatial-Stereo Fusion Approach for Event Stream Recognition [57.74076383449153]
  本稿では,差分融合によるイベントストリームに基づくパターン認識のための新しいデュアルストリームフレームワークEFV++を提案する。 イベントイメージとイベントボクセルという2つの共通のイベント表現を同時にモデル化する。 Bullying10kデータセットで新しい最先端のパフォーマンス、すなわち90.51%$を達成し、2位を+2.21%$で上回る。
  論文  参考訳（メタデータ） (2024-06-27T02:32:46Z)
• Bidirectional Multi-Scale Implicit Neural Representations for Image Deraining [47.15857899099733]
  高品質な画像再構成を実現するために,エンド・ツー・エンドのマルチスケールトランスを開発した。 クローズドループ設計において、劣化した入力を持つ画素座標に基づいて、スケール内の暗黙的ニューラル表現を組み込む。 我々のアプローチはNeRD-Rainと呼ばれ、合成および実世界のベンチマークデータセットにおいて最先端のアプローチに対して好意的に実行されます。
  論文  参考訳（メタデータ） (2024-04-02T01:18:16Z)
• Dynamic Association Learning of Self-Attention and Convolution in Image Restoration [56.49098856632478]
  CNNとSelf attentionは、画像修復における自己意識と畳み込みの動的関連学習のためのマルチメディアアプリケーションにおいて大きな成功を収めている。 本稿では,その利点を活かし,その欠点を抑え,高品質で効率的な塗布を実現するためのアソシエーション学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-09T05:11:24Z)
• Mutual-Guided Dynamic Network for Image Fusion [51.615598671899335]
  画像融合のための新しい相互誘導動的ネットワーク(MGDN)を提案する。 5つのベンチマークデータセットによる実験結果から,提案手法は4つの画像融合タスクにおいて既存手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-24T03:50:37Z)
• Magic ELF: Image Deraining Meets Association Learning and Transformer [63.761812092934576]
  本稿では,CNN と Transformer を統合化して,画像デライニングにおける学習のメリットを活用することを目的とする。 降雨除去と背景復旧を関連づける新しいマルチインプット・アテンション・モジュール (MAM) を提案する。 提案手法(ELF)は,最先端手法(MPRNet)を平均0.25dB向上させる。
  論文  参考訳（メタデータ） (2022-07-21T12:50:54Z)
• Online-updated High-order Collaborative Networks for Single Image Deraining [51.22694467126883]
  単一画像のデライン化は、ビデオ監視や自動運転システムなど、下流の人工知能アプリケーションにとって重要なタスクである。 マルチスケールのコンパクトな制約と双方向のスケール・コンテント類似性マイニングモジュールを備えた高階協調ネットワークを提案する。 提案手法は,5つの公開合成と1つの実世界のデータセットに対して,11の最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-02-14T09:09:08Z)
• Exploring Overcomplete Representations for Single Image Deraining using CNNs [0.0]
  最新の手法では、ディープネットワークを使用して、初期層をまたいだ低レベルの特徴と、ディープ層における高レベルの特徴をキャプチャする。 本稿では,局所構造学習に特に注目するオーバーコンプリート畳み込みネットワークアーキテクチャを提案する。 私たちはそれをU-Netと組み合わせて、低レベルの機能に注力しながら、グローバルな構造に負けないようにしています。
  論文  参考訳（メタデータ） (2020-10-20T22:55:02Z)
• MCW-Net: Single Image Deraining with Multi-level Connections and Wide Regional Non-local Blocks [6.007222067550804]
  降雨画像の背景テクスチャを復元するために,マルチレベル接続と広域非局所ブロックネットワーク(MCW-Net)を提案する。 MCW-Netは、追加ブランチなしで情報利用を最大化することで、性能を向上させる。 人工降雨データセットと実世界の降雨データセットの実験結果は、提案モデルが既存の最先端モデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2020-09-29T13:21:31Z)
• DCSFN: Deep Cross-scale Fusion Network for Single Image Rain Removal [13.794959799789703]
  降雨が画像の視界を著しく低下させるため、降雨は重要なもののコンピュータビジョンの課題である。 以前の研究は主に特徴抽出と処理、あるいはニューラルネットワーク構造に焦点を当てていた。 本稿では,画像雨雨除去課題を解決するために,ネットワークと内規模核融合操作のクロススケールな方法について検討する。
  論文  参考訳（メタデータ） (2020-08-03T10:34:45Z)
• Multi-Scale Progressive Fusion Network for Single Image Deraining [84.0466298828417]
  空気中の雨のストリークは、位置からカメラまでの距離が異なるため、様々なぼやけた度合いや解像度で現れる。 同様の降雨パターンは、雨像やマルチスケール(またはマルチレゾリューション)バージョンで見ることができる。 本研究では,入力画像のスケールと階層的な深部特徴の観点から,雨天のマルチスケール協調表現について検討する。
  論文  参考訳（メタデータ） (2020-03-24T17:22:37Z)

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。