論文の概要: Pyramid Fusion Dark Channel Prior for Single Image Dehazing
- arxiv url: http://arxiv.org/abs/2105.10192v1
- Date: Fri, 21 May 2021 08:01:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 09:42:15.719669
- Title: Pyramid Fusion Dark Channel Prior for Single Image Dehazing
- Title(参考訳): 単一画像デハジングに先行するピラミッド融合ダークチャネル
- Authors: Qiyuan Liang, Bin Zhu, Chong-Wah Ngo
- Abstract要約: 単体脱ハージングのためのピラミッド融合ダークチャネル(PF-DCP)を提案する。
PF-DCPは、パッチサイズ選択の問題を軽減するために、DCPアルゴリズムをマルチスケール画像のピラミッドに採用している。
RESIDE SOTSの実験では、PF-DCPは従来の手法よりも大きなマージンを持つだけでなく、最先端のディープラーニングアプローチの同等ないしさらに優れた結果が得られることが示されている。
- 参考スコア(独自算出の注目度): 42.509533136402155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose the pyramid fusion dark channel prior (PF-DCP) for
single image dehazing. Based on the well-known Dark Channel Prior (DCP), we
introduce an easy yet effective approach PF-DCP by employing the DCP algorithm
at a pyramid of multi-scale images to alleviate the problem of patch size
selection. In this case, we obtain the final transmission map by fusing
transmission maps at each level to recover a high-quality haze-free image.
Experiments on RESIDE SOTS show that PF-DCP not only outperforms the
traditional prior-based methods with a large margin but also achieves
comparable or even better results of state-of-art deep learning approaches.
Furthermore, the visual quality is also greatly improved with much fewer color
distortions and halo artifacts.
- Abstract(参考訳): 本稿では, ピラミッド融合ダークチャネル (PF-DCP) を単一画像デハージング用として提案する。
既知のダークチャネルプリエント(dcp)に基づいて,マルチスケール画像のピラミッドにおけるdcpアルゴリズムを用いてパッチサイズ選択の問題を軽減し,簡易かつ効果的なpf-dcp手法を提案する。
この場合、各レベルで送信マップを融合して高品質なhazeフリー画像の復元を行い、最終送信マップを得る。
RESIDE SOTSの実験では、PF-DCPは従来の手法よりも大きなマージンを持つだけでなく、最先端のディープラーニングアプローチの同等ないしさらに優れた結果が得られることが示されている。
さらに、色歪やhaloアーティファクトを少なくすることで、視覚品質も大幅に向上している。
関連論文リスト
- Scene Prior Filtering for Depth Map Super-Resolution [102.18062150182644]
テクスチャ干渉とエッジ不正確性を緩和するScene Prior Filtering Network(SPFNet)を導入する。
我々のSPFNetは、実データと合成データの両方で広範囲に評価され、最先端のパフォーマンスを実現しています。
論文 参考訳(メタデータ) (2024-02-21T15:35:59Z) - Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。
提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
論文 参考訳(メタデータ) (2022-12-23T03:00:28Z) - Guided Depth Super-Resolution by Deep Anisotropic Diffusion [18.445649181582823]
誘導異方性拡散と深層畳み込みネットワークを組み合わせた新しい手法を提案する。
誘導深度超解像のための3つの一般的なベンチマークで前例のない結果を得た。
論文 参考訳(メタデータ) (2022-11-21T15:48:13Z) - Single image dehazing via combining the prior knowledge and CNNs [6.566615606042994]
本稿では,従来の知識と深層学習を組み合わせることで,欠陥の低減を図るために,エンドツーエンドシステムを提案する。
実験により,提案手法は既存手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2021-11-10T14:18:25Z) - Unsupervised Image Fusion Using Deep Image Priors [7.549952136964352]
Deep Image Prior (DIP)法により、画像復元が完全にトレーニングデータ無しで行えるようになった。
本稿では,画像融合を逆問題として定式化しながら,新たな損失計算構造をDIPの枠組みで紹介する。
論文 参考訳(メタデータ) (2021-10-18T17:38:35Z) - Progressively Guided Alternate Refinement Network for RGB-D Salient
Object Detection [63.18846475183332]
我々は,RGB-Dの高次物体検出のための効率的かつコンパクトなディープネットワークを開発することを目指している。
そこで本研究では,改良のための改良ネットワークを提案する。
我々のモデルは、既存の最先端のアプローチよりも大きなマージンで優れています。
論文 参考訳(メタデータ) (2020-08-17T02:55:06Z) - The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。
次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。
そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-16T08:17:44Z) - Leveraging Photogrammetric Mesh Models for Aerial-Ground Feature Point
Matching Toward Integrated 3D Reconstruction [19.551088857830944]
地上・地上画像の統合は, 都市環境における表面の再構築を効果的に進めるためのアプローチとして証明されている。
幾何認識による画像補正に基づく従来の研究により,この問題は緩和された。
地上画像マッチングにフォトグラムメッシュモデルを利用する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-02-21T01:47:59Z) - Depth Completion Using a View-constrained Deep Prior [73.21559000917554]
近年の研究では、畳み込みニューラルネットワーク(CNN)の構造が、自然画像に有利な強い先行性をもたらすことが示されている。
この前者はディープ・イメージ・先行 (DIP) と呼ばれ、画像の装飾や塗装といった逆問題において有効な正則化器である。
我々は、DIPの概念を深度画像に拡張し、色画像とノイズと不完全な目標深度マップから、CNNネットワーク構造を先行して復元された深度マップを再構成する。
論文 参考訳(メタデータ) (2020-01-21T21:56:01Z)
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。