論文の概要: From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data

• arxiv url: http://arxiv.org/abs/2108.02934v1
• Date: Fri, 6 Aug 2021 04:00:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-09 14:34:19.606567
• Title: From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data
• Title（参考訳）: 合成からリアルへ:ラベルなしのリアルデータでコラボレートする画像
• Authors: Ye Liu and Lei Zhu and Shunda Pei and Huazhu Fu and Jing Qin and Qing Zhang and Liang Wan and Wei Feng
• Abstract要約: ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。 まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。 そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
• 参考スコア（独自算出の注目度）: 58.50411487497146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single image dehazing is a challenging task, for which the domain shift between synthetic training data and real-world testing images usually leads to degradation of existing methods. To address this issue, we propose a novel image dehazing framework collaborating with unlabeled real data. First, we develop a disentangled image dehazing network (DID-Net), which disentangles the feature representations into three component maps, i.e. the latent haze-free image, the transmission map, and the global atmospheric light estimate, respecting the physical model of a haze process. Our DID-Net predicts the three component maps by progressively integrating features across scales, and refines each map by passing an independent refinement network. Then a disentangled-consistency mean-teacher network (DMT-Net) is employed to collaborate unlabeled real data for boosting single image dehazing. Specifically, we encourage the coarse predictions and refinements of each disentangled component to be consistent between the student and teacher networks by using a consistency loss on unlabeled real data. We make comparison with 13 state-of-the-art dehazing methods on a new collected dataset (Haze4K) and two widely-used dehazing datasets (i.e., SOTS and HazeRD), as well as on real-world hazy images. Experimental results demonstrate that our method has obvious quantitative and qualitative improvements over the existing methods.
• Abstract（参考訳）: 単一画像のデハージングは難しい作業であり、合成トレーニングデータと実世界のテストイメージとのドメインシフトは通常、既存のメソッドの劣化につながる。 この問題に対処するために,ラベルのない実データと協調する新しい画像デハジングフレームワークを提案する。 まず,特徴表現を3つの成分マップ(DID-Net)に切り離す不整形画像デハージングネットワーク(DID-Net)を開発する。 潜在ヘイズフリー画像、透過マップ、大域的な大気光の推定は、ヘイズ過程の物理モデルに依拠する。 我々のDID-Netは,3つのコンポーネントマップを段階的に拡張して予測し,独立したリファインメントネットワークを渡すことで各マップを洗練する。 そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。 具体的には,無ラベル実データに対する一貫性損失を用いて,学生と教師のネットワーク間で,各不連続成分の粗い予測と改良を両立させることを推奨する。 我々は,新たに収集したデータセット(Haze4K)と広く使用されている2つのデハージングデータセット(SOTSとHazeRD)の13の最先端デハージング手法と実世界のハズー画像との比較を行った。 実験の結果,既存の手法よりも定量的で質的な改善が見られた。

関連論文リスト

• Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
  本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。 一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2024-06-17T07:43:53Z)
• Hardness-Aware Scene Synthesis for Semi-Supervised 3D Object Detection [59.33188668341604]
  3次元物体検出は、自律運転知覚の基本的なタスクとして機能する。 ポイントクラウドデータのための高品質なアノテーションを得るためには、コストがかかる。 本稿では,適応型合成シーンを生成するために,ハードネス対応シーン合成(HASS)手法を提案する。
  論文  参考訳（メタデータ） (2024-05-27T17:59:23Z)
• Learning Zero-Shot Material States Segmentation, by Implanting Natural Image Patterns in Synthetic Data [0.555174246084229]
  この研究は、現実世界の画像から抽出されたパターンを合成データに注入することで、ギャップを埋めることを目的としている。 ゼロショット材料状態セグメンテーションのための総合ベンチマークを初めて提示する。 また,30,000の抽出テクスチャとSVBRDF/PBR材料を共有し,将来の生成を容易にする。
  論文  参考訳（メタデータ） (2024-03-05T20:21:49Z)
• Achieving Domain Robustness in Stereo Matching Networks by Removing Shortcut Learning [14.497880004212979]
  合成領域における特徴の学習は,合成データに示される2つの「ショートカット」の影響を強く受けていることを示す。 このようなショートカットを取り除くことで、最先端のステレオマッチングフレームワークでドメインの堅牢性を実現できることを示す。
  論文  参考訳（メタデータ） (2021-06-15T23:22:54Z)
• 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)
• Intrinsic Autoencoders for Joint Neural Rendering and Intrinsic Image Decomposition [67.9464567157846]
  合成3Dモデルからリアルな画像を生成するためのオートエンコーダを提案し,同時に実像を本質的な形状と外観特性に分解する。 実験により, レンダリングと分解の併用処理が有益であることが確認され, 画像から画像への翻訳の質的, 定量的なベースラインよりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2020-06-29T12:53:58Z)
• Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
  CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。 実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。 本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T00:33:18Z)
• FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing [48.65974971543703]
  画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。 我々のモデルは、より自然でリアルなデハズド画像を生成することができ、色歪みは少なく、アーティファクトも少ない。 実験により, 提案手法は, 公開合成データセットと実世界の画像の両方において, 最先端の性能に達することが示された。
  論文  参考訳（メタデータ） (2020-01-20T04:36:11Z)

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。