論文の概要: SDNet: mutil-branch for single image deraining using swin
- arxiv url: http://arxiv.org/abs/2105.15077v1
- Date: Mon, 31 May 2021 16:06:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 17:26:22.626771
- Title: SDNet: mutil-branch for single image deraining using swin
- Title（参考訳）: SDNet:mutil-branch for single image deraining using Swin
- Authors: Fuxiang Tan, YuTing Kong, Yingying Fan, Feng Liu, Daxin Zhou, Hao
zhang, Long Chen, Liang Gao and Yurong Qian
- Abstract要約: 画像デラリニングの分野にスウィントランスを初めて導入する。
具体的には,Swin-transformerの基本モジュールを改良し,単画像降雨除去を実現する3分岐モデルの設計を行う。
提案手法は,現在主流となっている降雨ストリーク除去モデルに対して,性能と予測速度の優位性を有する。
- 参考スコア（独自算出の注目度）: 14.574622548559269
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rain streaks degrade the image quality and seriously affect the performance
of subsequent computer vision tasks, such as autonomous driving, social
security, etc. Therefore, removing rain streaks from a given rainy images is of
great significance. Convolutional neural networks(CNN) have been widely used in
image deraining tasks, however, the local computational characteristics of
convolutional operations limit the development of image deraining tasks.
Recently, the popular transformer has global computational features that can
further facilitate the development of image deraining tasks. In this paper, we
introduce Swin-transformer into the field of image deraining for the first time
to study the performance and potential of Swin-transformer in the field of
image deraining. Specifically, we improve the basic module of Swin-transformer
and design a three-branch model to implement single-image rain removal. The
former implements the basic rain pattern feature extraction, while the latter
fuses different features to further extract and process the image features. In
addition, we employ a jump connection to fuse deep features and shallow
features. In terms of experiments, the existing public dataset suffers from
image duplication and relatively homogeneous background. So we propose a new
dataset Rain3000 to validate our model. Therefore, we propose a new dataset
Rain3000 for validating our model. Experimental results on the publicly
available datasets Rain100L, Rain100H and our dataset Rain3000 show that our
proposed method has performance and inference speed advantages over the current
mainstream single-image rain streaks removal models.The source code will be
available at https://github.com/H-tfx/SDNet.
- Abstract（参考訳）: 雨は画質を劣化させ、自動運転や社会保障といったその後のコンピュータビジョンタスクのパフォーマンスに深刻な影響を与えます。
したがって、所定の雨天画像から雨害を取り除くことは非常に重要である。
畳み込みニューラルネットワーク(CNN)は画像デライニングタスクに広く用いられているが、畳み込み操作の局所的な計算特性は画像デライニングタスクの開発を制限する。
近年,一般的な変換器は,画像デコライニングタスクの開発をさらに促進するグローバルな計算機能を備えている。
本稿では,swin-transformerを画像レーダリングの分野に初めて導入し,画像レーダリング分野におけるswin-transformerの性能とポテンシャルについて検討する。
具体的には,Swin-transformerの基本モジュールを改良し,単画像降雨除去を実現する3分岐モデルの設計を行う。
前者は基本的なレインパターン特徴抽出を実装し、後者は異なる特徴を融合してさらに画像特徴を抽出処理する。
さらに、深い特徴と浅い特徴を融合するためにジャンプ接続を使用します。
実験の観点では、既存の公開データセットは画像重複と比較的均質な背景に悩まされている。
そこで我々は,モデルを検証する新しいデータセットrain3000を提案する。
そこで本研究では,モデルを検証するための新しいデータセットrain3000を提案する。
公開データセットであるrain100l、rain100h、およびデータセットrain3000の実験結果によると、提案手法は、現在のメインストリームの単一画像のrain streaks除去モデルよりもパフォーマンスと推論速度の利点がある。ソースコードはhttps://github.com/h-tfx/sdnetで入手できる。
関連論文リスト
- RainyScape: Unsupervised Rainy Scene Reconstruction using Decoupled Neural Rendering [50.14860376758962]
多視点降雨画像の集合からクリーンなシーンを再構築するための教師なしフレームワークであるRainyScapeを提案する。
ニューラルネットワークのスペクトルバイアス特性に基づいて、まずニューラルネットワークのレンダリングパイプラインを最適化し、低周波シーン表現を得る。
我々は2つのモジュールを協調的に最適化し,適応的指向性勾配に基づく再構成損失によって駆動する。
論文 参考訳（メタデータ） (2024-04-17T14:07:22Z) - From Sky to the Ground: A Large-scale Benchmark and Simple Baseline
Towards Real Rain Removal [28.029107707930063]
我々は,100万の高解像度(1920*1080)フレーム対を持つ3000の動画シーケンスを含む大規模高品質ペアド実雨量ベンチマーク(LHP-Rain)を構築した。
提案したデータセットの利点は3つある: 雨は多彩で大規模、画像は高解像度で高画質の地上構造である。
論文 参考訳（メタデータ） (2023-08-07T18:39:14Z) - Single Image Deraining via Feature-based Deep Convolutional Neural
Network [13.39233717329633]
データ駆動型アプローチとモデルベースアプローチを組み合わせた,単一画像デラミニングアルゴリズムを提案する。
実験の結果,提案アルゴリズムは質的,定量的両面で最先端の手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-05-03T13:12:51Z) - Toward Real-world Single Image Deraining: A New Benchmark and Beyond [79.5893880599847]
現実シナリオにおけるSID(Single Image deraining)は近年注目されている。
以前の実際のデータセットは、低解像度の画像、均一な雨のストリーク、背景の変化の制限、イメージペアの誤調整に悩まされていた。
我々はRealRain-1kという新しい高品質のデータセットを構築した。
論文 参考訳（メタデータ） (2022-06-11T12:26:59Z) - 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) - RCDNet: An Interpretable Rain Convolutional Dictionary Network for
Single Image Deraining [49.99207211126791]
雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。
RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。
このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
論文 参考訳（メタデータ） (2021-07-14T16:08:11Z) - Beyond Monocular Deraining: Parallel Stereo Deraining Network Via
Semantic Prior [103.49307603952144]
ほとんどの既存の脱雨アルゴリズムは単一の入力画像のみを使用し、クリーンな画像の復元を目指しています。
本稿では,ステレオ画像とセマンティック情報の両方を利用するPaired Rain Removal Network(PRRNet)を提案する。
単分子および新たに提案したステレオ降雨データセットの両方の実験により,提案手法が最先端の性能を達成することを示す。
論文 参考訳（メタデータ） (2021-05-09T04:15:10Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳（メタデータ） (2020-08-08T18:56:51Z) - Multi-Task Learning Enhanced Single Image De-Raining [9.207797392774465]
画像の降雨除去はコンピュータビジョンにおいて重要な課題であり、より多くの人々の注目を集めている。
本稿では,1枚の画像からレインストリークの視覚効果を除去する非自明な問題に対処する。
本手法は,降雨除去のためのマルチタスク回帰モデルにおいて,様々な意味制約タスクを組み合わさったものである。
論文 参考訳（メタデータ） (2020-03-21T16:19:56Z)
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。