論文の概要: T-Net: Deep Stacked Scale-Iteration Network for Image Dehazing
- arxiv url: http://arxiv.org/abs/2106.02809v1
- Date: Sat, 5 Jun 2021 06:01:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 18:10:18.877639
- Title: T-Net: Deep Stacked Scale-Iteration Network for Image Dehazing
- Title（参考訳）: t-net:deep stacked scale-iteration network for image dehazing
- Authors: Lirong Zheng, Yanshan Li, Kaihao Zhang, Wenhan Luo
- Abstract要約: Hazyイメージは画像の内容の可視性を低下させ、hazeはその後のコンピュータビジョンタスクの処理に失敗する。
本稿では,U-Netアーキテクチャに基づくバックボーンネットワークとデュアルアテンションモジュールからなる,T-Netというデハージングネットワークを提案する。
- 参考スコア（独自算出の注目度）: 30.07024745360993
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hazy images reduce the visibility of the image content, and haze will lead to
failure in handling subsequent computer vision tasks. In this paper, we address
the problem of image dehazing by proposing a dehazing network named T-Net,
which consists of a backbone network based on the U-Net architecture and a dual
attention module. And it can achieve multi-scale feature fusion by using skip
connections with a new fusion strategy. Furthermore, by repeatedly unfolding
the plain T-Net, Stack T-Net is proposed to take advantage of the dependence of
deep features across stages via a recursive strategy. In order to reduce
network parameters, the intra-stage recursive computation of ResNet is adopted
in our Stack T-Net. And we take both the stage-wise result and the original
hazy image as input to each T-Net and finally output the prediction of clean
image. Experimental results on both synthetic and real-world images demonstrate
that our plain T-Net and the advanced Stack T-Net perform favorably against the
state-of-the-art dehazing algorithms, and show that our Stack T-Net could
further improve the dehazing effect, demonstrating the effectiveness of the
recursive strategy.
- Abstract（参考訳）: hazyイメージは画像コンテンツの可視性を低下させ、hazeはその後のコンピュータビジョンタスクの処理に失敗する。
本稿では,u-netアーキテクチャに基づくバックボーンネットワークとデュアルアテンションモジュールからなる,t-netと呼ばれるデヘイジングネットワークを提案することで,画像デヘイジングの問題に対処する。
また、新しい融合戦略でスキップ接続を使用することで、マルチスケールな機能融合を実現することができる。
さらに、通常のT-Netを何度も展開することで、スタックT-Netは再帰的戦略を通じてステージ全体の深い機能の依存性を活用することができる。
ネットワークパラメータを減らすために,resnet のステージ内再帰計算をスタック t-net に導入した。
そして、各t-netへの入力として、ステージ別結果と元のヘイジー画像の両方を取り、最終的にクリーン画像の予測を出力する。
合成画像と実世界画像の両方における実験結果から,我々のスタックt-netと先進スタックt-netは最先端のデヘイジングアルゴリズムに対して好適に動作し,スタックt-netがデヘイジング効果をさらに改善し,再帰的戦略の有効性を示すことが示された。
関連論文リスト
- W-Net: A Facial Feature-Guided Face Super-Resolution Network [8.037821981254389]
Face Super-Resolutionは、高解像度 (HR) の顔画像を低解像度 (LR) の顔画像から復元することを目的としている。
既存手法は, 再建効率が低く, 事前情報の利用が不十分であるため, 理想的ではない。
本稿では,この課題に対処するため,W-Netと呼ばれる新しいネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-06-02T09:05:40Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - Random Weights Networks Work as Loss Prior Constraint for Image
Restoration [50.80507007507757]
「画像復元の優先制約としてランダムウェイトネットワークを機能させることができる」という信念を提示する。」
我々の信念は、計算コストのトレーニングやテストなしに、既存のネットワークに直接挿入することができる。
強調しておきたいのは、損失関数の領域を刺激し、現在無視されている状態を保存することです。
論文 参考訳（メタデータ） (2023-03-29T03:43:51Z) - Rethinking Performance Gains in Image Dehazing Networks [25.371802581339576]
我々は、コンパクトなデハージングネットワークを得るために、人気のあるU-Netに最小限の変更を加えている。
具体的には、U-Netの畳み込みブロックをゲーティング機構で残余ブロックに置き換える。
オーバーヘッドが大幅に削減されているため、gUNetは複数のイメージデハージングデータセットの最先端メソッドよりも優れている。
論文 参考訳（メタデータ） (2022-09-23T07:14:48Z) - Impact of Scaled Image on Robustness of Deep Neural Networks [0.0]
生画像のスケーリングはアウト・オブ・ディストリビューションデータを生成するため、ネットワークを騙すための敵攻撃の可能性がある。
本研究では,ImageNet Challengeデータセットのサブセットを複数でスケーリングすることで,Scaling-DistortionデータセットのImageNet-CSを提案する。
論文 参考訳（メタデータ） (2022-09-02T08:06:58Z) - Multi-Prior Learning via Neural Architecture Search for Blind Face
Restoration [61.27907052910136]
Blind Face Restoration (BFR)は、高品質な顔画像から高品質な顔画像を復元することを目的としている。
1)手動チューニングを伴わない強力なネットワークアーキテクチャの導出方法,2) 複数の顔前者からの補完情報を1つのネットワークで取得して復元性能を向上させる方法,の2つの大きな課題がある。
特定検索空間内において,適切な特徴抽出アーキテクチャを適応的に探索する顔復元検索ネットワーク(FRSNet)を提案する。
論文 参考訳（メタデータ） (2022-06-28T12:29:53Z) - Selective Residual M-Net for Real Image Denoising [6.909688694501238]
本稿では,視覚的実画像復調ネットワーク(SRMNet)を提案する。
具体的には、M-Netと呼ばれる階層構造上の残留ブロックを持つ選択的カーネルを用いて、マルチスケールのセマンティック情報を強化する。
OurNetは、定量的メトリクスと視覚的品質の点で、2つの合成および2つの実世界のノイズの多いデータセット上で、競合するパフォーマンス結果を持っています。
論文 参考訳（メタデータ） (2022-03-03T11:10:30Z) - AdderSR: Towards Energy Efficient Image Super-Resolution [127.61437479490047]
本稿では,加算器ニューラルネットワーク(AdderNet)を用いた単一画像超解問題について検討する。
畳み込みニューラルネットワークと比較して、AdderNetは加算を利用して出力特性を計算し、従来の乗算の膨大なエネルギー消費を回避する。
論文 参考訳（メタデータ） (2020-09-18T15:29:13Z) - NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。
我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。
既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文 参考訳（メタデータ） (2020-08-26T17:59:36Z) - Structured Convolutions for Efficient Neural Network Design [65.36569572213027]
畳み込みニューラルネットワーク構築ブロックのテクスト単純構造における冗長性を利用してモデル効率に取り組む。
この分解が2Dカーネルや3Dカーネルだけでなく、完全に接続されたレイヤにも適用可能であることを示す。
論文 参考訳（メタデータ） (2020-08-06T04:38:38Z) - Y-net: Multi-scale feature aggregation network with wavelet structure
similarity loss function for single image dehazing [18.479856828292935]
本稿では,その構造から命名されたY-netを提案する。
このネットワークは、マルチスケールの特徴マップを集約することで、鮮明な画像を再構成する。
また、トレーニングステップにおいてウェーブレット構造シミュラリティ(W-SSIM)損失関数を提案する。
論文 参考訳（メタデータ） (2020-03-31T02:07:33Z)
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。