論文の概要: RCDNet: An Interpretable Rain Convolutional Dictionary Network for Single Image Deraining

• arxiv url: http://arxiv.org/abs/2107.06808v1
• Date: Wed, 14 Jul 2021 16:08:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-15 14:11:51.890975
• Title: RCDNet: An Interpretable Rain Convolutional Dictionary Network for Single Image Deraining
• Title（参考訳）: RCDNet: 単一画像作成のための解釈可能な雨畳み込み辞書ネットワーク
• Authors: Hong Wang, Qi Xie, Qian Zhao, Yong Liang, Deyu Meng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.99207211126791
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As a common weather, rain streaks adversely degrade the image quality. Hence, removing rains from an image has become an important issue in the field. To handle such an ill-posed single image deraining task, in this paper, we specifically build a novel deep architecture, called rain convolutional dictionary network (RCDNet), which embeds the intrinsic priors of rain streaks and has clear interpretability. In specific, we first establish a RCD model for representing rain streaks and utilize the proximal gradient descent technique to design an iterative algorithm only containing simple operators for solving the model. By unfolding it, we then build the RCDNet in which every network module has clear physical meanings and corresponds to each operation involved in the algorithm. This good interpretability greatly facilitates an easy visualization and analysis on what happens inside the network and why it works well in inference process. Moreover, taking into account the domain gap issue in real scenarios, we further design a novel dynamic RCDNet, where the rain kernels can be dynamically inferred corresponding to input rainy images and then help shrink the space for rain layer estimation with few rain maps so as to ensure a fine generalization performance in the inconsistent scenarios of rain types between training and testing data. By end-to-end training such an interpretable network, all involved rain kernels and proximal operators can be automatically extracted, faithfully characterizing the features of both rain and clean background layers, and thus naturally lead to better deraining performance. Comprehensive experiments substantiate the superiority of our method, especially on its well generality to diverse testing scenarios and good interpretability for all its modules. Code is available in \emph{\url{https://github.com/hongwang01/DRCDNet}}.
• Abstract（参考訳）: 一般的な天候として、雨は画質を悪化させる。 したがって、画像から雨を取り除くことがこの分野で重要な問題となっている。 そこで本稿では,このような不適切な単一画像レーダ処理を行うため,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構築した。 具体的には、まず雨害を表すためのRCDモデルを構築し、近似勾配降下法を用いてモデル解くための単純な演算子のみを含む反復アルゴリズムを設計する。 展開することで、全てのネットワークモジュールが明確な物理的意味を持ち、アルゴリズムに関連する各操作に対応するRCDNetを構築する。 この優れた解釈性は、ネットワーク内で何が起きているのか、なぜ推論プロセスでうまく機能するのかを簡単に視覚化し分析するのに役立つ。 さらに,実際のシナリオにおけるドメイン間ギャップ問題を考慮した新しい動的rcdnetの設計を行い,入力された雨画像に応じてレインカーネルを動的に推定し,雨層推定のスペースを少ない雨マップで縮小し,トレーニングとテストデータ間の雨種間の一貫性のないシナリオにおいて,正確な一般化性能を確保する。 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でトレーニングすることで、関係する雨核と近位演算子を自動的に抽出し、雨層と清潔な背景層の両方の特徴を忠実に特徴付けることで、自然とより良い排水性能をもたらすことができる。 包括的実験は,本手法の優越性,特に多種多様なテストシナリオに対する優れた一般化と,すべてのモジュールに対する優れた解釈可能性について実証する。 コードは \emph{\url{https://github.com/hongwang01/drcdnet}} で利用可能である。

関連論文リスト

• Single Image Deraining Network with Rain Embedding Consistency and Layered LSTM [14.310541943673181]
  本稿では,オートエンコーダのエンコード埋め込みを理想的な雨埋め込みとして,「レイン埋め込み一貫性」の概念を紹介した。 レイン・エンベディング・ロス(Rain Embedding Loss)は、法定局所コントラスト正規化(Rectified Local Contrast Normalization)をガイドとして、エンコーディングプロセスを直接監督するために適用される。 また,異なるスケールを考慮した繰り返しデラリニングおよび微細エンコーダ機能改善のための層状LSTMを提案する。
  論文  参考訳（メタデータ） (2021-11-05T17:03:08Z)
• Structure-Preserving Deraining with Residue Channel Prior Guidance [33.41254475191555]
  多くのハイレベルコンピュータビジョンタスクにおいて、単一画像のデアライニングが重要である。 RCP誘導を用いた構造保存評価ネットワーク(SPDNet)を提案する。 SPDNetは、RCPガイダンスの下で、明瞭で正確な構造を持つ高品質な無雨画像を直接生成する。
  論文  参考訳（メタデータ） (2021-08-20T09:09:56Z)
• SDNet: mutil-branch for single image deraining using swin [14.574622548559269]
  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。
  論文  参考訳（メタデータ） (2021-05-31T16:06:02Z)
• 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)
• Structural Residual Learning for Single Image Rain Removal [48.87977695398587]
  本研究は,本質的な降雨構造を有するネットワークの出力残余を強制することで,新たなネットワークアーキテクチャを提案する。 このような構造的残差設定は、ネットワークによって抽出された雨層が、一般的な雨害の以前の知識に微妙に従うことを保証している。
  論文  参考訳（メタデータ） (2020-05-19T05:52:13Z)
• A Model-driven Deep Neural Network for Single Image Rain Removal [52.787356046951494]
  完全解釈可能なネットワーク構造を持つモデル駆動型ディープニューラルネットワークを提案する。 雨を表現するための畳み込み辞書学習機構に基づいて,新しい単一画像デレーニングモデルを提案する。 すべてのレインカーネルとオペレータは自動的に抽出され、レイン層とクリーンなバックグラウンド層の両方の特徴を忠実に特徴付けることができる。
  論文  参考訳（メタデータ） (2020-05-04T09:13:25Z)
• Conditional Variational Image Deraining [158.76814157115223]
  キャラクタリゼーション性能向上のための条件変分画像レイニング(CVID)ネットワーク 本研究では,各画像の降雨密度マップを推定するための空間密度推定(SDE)モジュールを提案する。 合成および実世界のデータセットを用いた実験により,提案したCVIDネットワークは,画像のデライニングにおける従来の決定論的手法よりもはるかに優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-04-23T11:51:38Z)
• Physical Model Guided Deep Image Deraining [10.14977592107907]
  降雨画像の劣化により、多くのコンピュータビジョンシステムが動作しないため、単一画像のデライン化は緊急の課題である。 本研究では, 物理モデルを用いた単一画像デライニングのための新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2020-03-30T07:08:13Z)

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。