論文の概要: A Comprehensive Survey on Image Dehazing Based on Deep Learning
- arxiv url: http://arxiv.org/abs/2106.03323v1
- Date: Mon, 7 Jun 2021 03:51:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 18:29:19.979895
- Title: A Comprehensive Survey on Image Dehazing Based on Deep Learning
- Title(参考訳): 深層学習に基づく画像デハジングに関する総合的調査
- Authors: Jie Gui, Xiaofeng Cong, Yuan Cao, Wenqi Ren, Jun Zhang, Jing Zhang,
Dacheng Tao
- Abstract要約: ヘイズの存在は画像の品質を著しく低下させる。
研究者は、ヘイズ画像の品質を回復するために、画像デハージング(ID)のための様々なアルゴリズムを設計した。
ディープラーニング(DL)ベースのデハージング技術を要約した研究はほとんどない。
- 参考スコア(独自算出の注目度): 89.77554550654227
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The presence of haze significantly reduces the quality of images. Researchers
have designed a variety of algorithms for image dehazing (ID) to restore the
quality of hazy images. However, there are few studies that summarize the deep
learning (DL) based dehazing technologies. In this paper, we conduct a
comprehensive survey on the recent proposed dehazing methods. Firstly, we
summarize the commonly used datasets, loss functions and evaluation metrics.
Secondly, we group the existing researches of ID into two major categories:
supervised ID and unsupervised ID. The core ideas of various influential
dehazing models are introduced. Finally, the open issues for future research on
ID are pointed out.
- Abstract(参考訳): ヘイズの存在は画像の品質を大幅に低下させる。
研究者は、ヘイズ画像の品質を回復するために、画像デハージング(ID)のための様々なアルゴリズムを設計した。
しかし, 深層学習(DL)に基づく脱湿技術について概説する研究はほとんどない。
本稿では,最近提案されている除草方法に関する総合的な調査を行う。
まず、一般的に使用されるデータセット、損失関数、評価メトリクスを要約する。
次に,既存のID研究を,教師付きIDと教師なしIDの2つの主要なカテゴリに分類する。
様々な影響のあるデハージングモデルのコアアイデアが紹介されている。
最後に、idに関する今後の研究のオープンイシューが指摘されている。
関連論文リスト
- Guided Depth Map Super-resolution: A Survey [88.54731860957804]
誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。
近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。
この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
論文 参考訳(メタデータ) (2023-02-19T15:43:54Z) - IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing [88.35145788575348]
画像異常検出(英: Image Anomaly Detection、IAD)は、産業用コンピュータビジョンの課題である。
統一IMベンチマークの欠如は、現実世界のアプリケーションにおけるIADメソッドの開発と利用を妨げる。
7つの主要なデータセットに19のアルゴリズムを含む包括的画像異常検出ベンチマーク(IM-IAD)を構築した。
論文 参考訳(メタデータ) (2023-01-31T01:24:45Z) - A Guide to Image and Video based Small Object Detection using Deep
Learning : Case Study of Maritime Surveillance [38.88995659233979]
光画像やビデオにおける小さな物体検出は難しい問題である。
最先端のジェネリックオブジェクト検出方法でさえ、そのようなオブジェクトの正確なローカライズと識別に失敗する。
本稿では,既存の文献を要約し,現在の研究の全体像を示す分類法を提案する。
論文 参考訳(メタデータ) (2022-07-26T14:28:38Z) - Deep Image Deblurring: A Survey [165.32391279761006]
低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。
近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
論文 参考訳(メタデータ) (2022-01-26T01:31:30Z) - Fine-Grained Image Analysis with Deep Learning: A Survey [146.22351342315233]
きめ細かい画像解析(FGIA)は、コンピュータビジョンとパターン認識における長年の根本的な問題である。
本稿では、FGIAの分野を再定義し、FGIAの2つの基礎研究領域、細粒度画像認識と細粒度画像検索を統合することで、FGIAの分野を広げようとしている。
論文 参考訳(メタデータ) (2021-11-11T09:43:56Z) - Deep Metric Learning for Few-Shot Image Classification: A Selective
Review [38.71276383292809]
少ないショット画像分類は、少数の画像のみに基づいて人間の認識レベルを達成することを目的とした課題である。
近年,メタラーニングやトランスファーラーニング,メトリックラーニングといったディープラーニングアルゴリズムが採用され,最先端のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2021-05-17T20:27:59Z) - On the Unreasonable Effectiveness of Centroids in Image Retrieval [0.1933681537640272]
本稿では,トレーニングと検索の両方において,平均セントロイド表現を用いることを提案する。
各クラスは単一の埋め込み – クラスセントロイド – で表現されるため、検索時間とストレージ要件の両方が大幅に削減される。
論文 参考訳(メタデータ) (2021-04-28T08:57:57Z) - Deep Learning for Person Re-identification: A Survey and Outlook [233.36948173686602]
人物再識別(Re-ID)は、複数の重複しないカメラを通して興味ある人物を検索することを目的としている。
人物のRe-IDシステム開発に関わるコンポーネントを分離することにより、それをクローズドワールドとオープンワールドのセッティングに分類する。
論文 参考訳(メタデータ) (2020-01-13T12:49:22Z)
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。