論文の概要: Unsupervised Neural Rendering for Image Hazing

• arxiv url: http://arxiv.org/abs/2107.06681v1
• Date: Wed, 14 Jul 2021 13:15:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-15 14:18:38.821177
• Title: Unsupervised Neural Rendering for Image Hazing
• Title（参考訳）: 画像処理のための教師なしニューラルレンダリング
• Authors: Boyun Li, Yijie Lin, Xiao Liu, Peng Hu, Jiancheng Lv and Xi Peng
• Abstract要約: Image hazingは、ゲーム、撮影、写真のフィルタリング、画像のデハージングなど、さまざまな実用用途に適用可能な、クリーンな画像からヘイズな画像をレンダリングすることを目的としている。 本稿では,ハゼゲンと呼ばれる画像のレンダリング手法を提案する。具体的には,ハゼゲンは知識駆動型ニューラルネットワークであり,新しい先行情報を利用して送信マップを推定する。 エアライトを適応的に学習するために、別の新しい先行技術に基づいてニューラルモジュールを構築する。
• 参考スコア（独自算出の注目度）: 31.108654945661705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image hazing aims to render a hazy image from a given clean one, which could be applied to a variety of practical applications such as gaming, filming, photographic filtering, and image dehazing. To generate plausible haze, we study two less-touched but challenging problems in hazy image rendering, namely, i) how to estimate the transmission map from a single image without auxiliary information, and ii) how to adaptively learn the airlight from exemplars, i.e., unpaired real hazy images. To this end, we propose a neural rendering method for image hazing, dubbed as HazeGEN. To be specific, HazeGEN is a knowledge-driven neural network which estimates the transmission map by leveraging a new prior, i.e., there exists the structure similarity (e.g., contour and luminance) between the transmission map and the input clean image. To adaptively learn the airlight, we build a neural module based on another new prior, i.e., the rendered hazy image and the exemplar are similar in the airlight distribution. To the best of our knowledge, this could be the first attempt to deeply rendering hazy images in an unsupervised fashion. Comparing with existing haze generation methods, HazeGEN renders the hazy images in an unsupervised, learnable, and controllable manner, thus avoiding the labor-intensive efforts in paired data collection and the domain-shift issue in haze generation. Extensive experiments show the promising performance of our method comparing with some baselines in both qualitative and quantitative comparisons. The code will be released on GitHub after acceptance.
• Abstract（参考訳）: Image hazingは、ゲーム、撮影、写真のフィルタリング、画像のデハージングなど、さまざまな実用用途に適用可能な、クリーンな画像からヘイズな画像をレンダリングすることを目的としている。 可塑性ヘイズを生成するために,ハジー画像レンダリングにおける2つの問題,すなわち,補助的な情報のない単一画像から送信マップを推定する方法,および,不適切な実ハジー画像からエアライトを適応的に学習する方法について検討した。 そこで本研究では,hazegenと呼ばれる画像ヘイジングのニューラルレンダリング手法を提案する。 具体的に言うと、HazeGENは知識駆動型ニューラルネットワークであり、トランスミッションマップと入力クリーンイメージの間には、新しい事前、すなわち、構造的類似性(例えば、輪郭と輝度)を生かして送信マップを推定する。 空気光を適応的に学習するために,新たな先行手法,すなわちレンダリングされたhazy像とexemplarを用いたニューラルモジュールを空気光分布で構築する。 私たちの知る限りでは、これは教師なしの方法でぼんやりとした画像を深くレンダリングする最初の試みかもしれない。 既存のヘイズ生成法と比較して、ヘイズ画像は教師なし、学習可能、制御可能な方法でレンダリングされるため、ヘイズ生成におけるペアデータ収集における労力集約的な努力やドメインシフト問題を回避することができる。 実験により,定性比較と定量的比較の両面から,本手法の有望な性能を示す。 コードは受け入れた後にGitHubでリリースされる。

関連論文リスト

• SimHaze: game engine simulated data for real-world dehazing [31.13013422142817]
  本稿では,コンピュータグラフィックスを活用してクリーンなペア画像を生成する方法を提案する。 現代のゲームエンジンを用いて, クリープクリーンな画像とその精密な深度マップをレンダリングし, 高品質なヘイズ画像を合成してデハジングモデルの訓練を行う。 我々は、SimHaze単独でのトレーニングによって、最新のデハージングモデルが、以前のデハージングデータセットと比較して大幅にパフォーマンスを向上できることを示します。
  論文  参考訳（メタデータ） (2023-05-25T21:26:43Z)
• SCANet: Self-Paced Semi-Curricular Attention Network for Non-Homogeneous Image Dehazing [56.900964135228435]
  既存の均質脱ハージング法は、強靭な方法でヘイズの不均一分布を扱うのに苦労する。 非均質なイメージデハージングのための,SCANet と呼ばれる新しい自己ペースト半曲的アテンションネットワークを提案する。 本手法は,アテンションジェネレータネットワークとシーン再構築ネットワークから構成される。
  論文  参考訳（メタデータ） (2023-04-17T17:05:29Z)
• 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)
• Non-Homogeneous Haze Removal via Artificial Scene Prior and Bidimensional Graph Reasoning [52.07698484363237]
  本研究では,人工シーンの前置と2次元グラフ推論による不均質なヘイズ除去ネットワーク(nhrn)を提案する。 本手法は,単一画像デハジングタスクとハイザイ画像理解タスクの両方において,最先端アルゴリズムよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-04-05T13:04:44Z)
• Dehaze-GLCGAN: Unpaired Single Image De-hazing via Adversarial Training [3.5788754401889014]
  単一画像デハジングのためのデハジンググローバルローカルサイクル一貫性生成適応ネットワーク(Dehaze-GLCGAN)を提案する。 3つのベンチマークデータセットに対する実験により、ネットワークはPSNRとSSIMの点で過去の作業より優れていたことが判明した。
  論文  参考訳（メタデータ） (2020-08-15T02:43:00Z)
• Nighttime Dehazing with a Synthetic Benchmark [147.21955799938115]
  昼間の鮮明な画像から夜間のハズイ画像をシミュレートする3Rという新しい合成法を提案する。 実空間の光色を以前の経験的分布からサンプリングすることにより,現実的な夜間ハズイ画像を生成する。 実験結果は、画像の品質と実行時間の両方の観点から、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-10T02:16:46Z)
• You Only Look Yourself: Unsupervised and Untrained Single Image Dehazing Neural Network [63.2086502120071]
  地中清浄画像(教師なし)と画像収集(訓練なし)を訓練することなく、深層学習が画像脱ハージングを実現する方法について検討する。 教師なしニューラルネットワークは、ヘイジークリーンなイメージペアの集中的な労働力を回避し、トレーニングされていないモデルは、真のシングルイメージデハージングアプローチである。 層解離のアイデアに触発されて、イメージデハージングのための最初の教師なし、訓練されていないニューラルネットワークの1つになり得る、あなただけ(textbfYOLY)と呼ばれる新しい方法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T14:05:47Z)
• NH-HAZE: An Image Dehazing Benchmark with Non-Homogeneous Hazy and Haze-Free Images [95.00583228823446]
  NH-HAZEは非同質な現実的データセットであり、実写のヘイズフリー画像とそれに対応するヘイズフリー画像のペアである。 本研究は、NH-HAZEデータセットを用いて評価した、最先端の単一画像デハージング手法の客観的評価を示す。
  論文  参考訳（メタデータ） (2020-05-07T15:50:37Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)

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。