論文の概要: Rain Removal and Illumination Enhancement Done in One Go
- arxiv url: http://arxiv.org/abs/2108.03873v1
- Date: Mon, 9 Aug 2021 08:46:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-10 15:19:38.401416
- Title: Rain Removal and Illumination Enhancement Done in One Go
- Title（参考訳）: 雨の除去と照明の強化を1回で行います
- Authors: Yecong Wan, Yuanshuo Cheng, and Mingwen Shao
- Abstract要約: 本稿では,雨を除去し,照明を1回で強化できる新しい絡み合いネットワークEMNetを提案する。
雨画像復元アルゴリズムの開発を促進するために,新しい合成データセットDarkRainを提案する。
EMNetは提案したベンチマークで広範囲に評価され、最先端の結果が得られた。
- 参考スコア（独自算出の注目度）: 1.0323063834827415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rain removal plays an important role in the restoration of degraded images.
Recently, data-driven methods have achieved remarkable success. However, these
approaches neglect that the appearance of rain is often accompanied by low
light conditions, which will further degrade the image quality. Therefore, it
is very indispensable to jointly remove the rain and enhance the light for
real-world rain image restoration. In this paper, we aim to address this
problem from two aspects. First, we proposed a novel entangled network, namely
EMNet, which can remove the rain and enhance illumination in one go.
Specifically, two encoder-decoder networks interact complementary information
through entanglement structure, and parallel rain removal and illumination
enhancement. Considering that the encoder-decoder structure is unreliable in
preserving spatial details, we employ a detail recovery network to restore the
desired fine texture. Second, we present a new synthetic dataset, namely
DarkRain, to boost the development of rain image restoration algorithms in
practical scenarios. DarkRain not only contains different degrees of rain, but
also considers different lighting conditions, and more realistically simulates
the rainfall in the real world. EMNet is extensively evaluated on the proposed
benchmark and achieves state-of-the-art results. In addition, after a simple
transformation, our method outshines existing methods in both rain removal and
low-light image enhancement. The source code and dataset will be made publicly
available later.
- Abstract（参考訳）: 降雨除去は劣化した画像の復元に重要な役割を果たしている。
近年,データ駆動方式は顕著な成功を収めている。
しかし、これらのアプローチは雨の出現にはしばしば低い光条件が伴うことを無視し、画質をさらに劣化させる。
そのため、共同して雨を除去し、現実世界の雨画像復元のための光を高めることが不可欠である。
本稿では,この問題を2つの側面から解決する。
まず,雨を除去し,照明を1回で強化できる新しい絡み合いネットワークEMNetを提案する。
具体的には、2つのエンコーダ・デコーダネットワークが、絡み合い構造と平行雨の除去と照明強化を通じて相補的な情報をやり取りする。
エンコーダ・デコーダ構造が空間的詳細の保存に信頼できないことを考慮し,所望の微細なテクスチャを復元するために細部リカバリネットワークを用いる。
第2に,雨画像復元アルゴリズムの開発を促進するために,新しい合成データセットであるdarkrainを提案する。
ダークレインは雨の度合いが異なるだけでなく、照明条件も違っていて、現実世界の雨を現実的にシミュレートしている。
EMNetは提案したベンチマークで広く評価され、最先端の結果が得られる。
また,簡易な変換を行った結果,降雨除去と低照度画像強調の両面で既存の手法を上回った。
ソースコードとデータセットは、後で公開される予定だ。
関連論文リスト
- RainyScape: Unsupervised Rainy Scene Reconstruction using Decoupled Neural Rendering [50.14860376758962]
多視点降雨画像の集合からクリーンなシーンを再構築するための教師なしフレームワークであるRainyScapeを提案する。
ニューラルネットワークのスペクトルバイアス特性に基づいて、まずニューラルネットワークのレンダリングパイプラインを最適化し、低周波シーン表現を得る。
我々は2つのモジュールを協調的に最適化し,適応的指向性勾配に基づく再構成損失によって駆動する。
論文 参考訳（メタデータ） (2024-04-17T14:07:22Z) - Dual Degradation Representation for Joint Deraining and Low-Light Enhancement in the Dark [57.85378202032541]
暗闇の中での雨は、自律運転や監視システム、夜間写真など、現実世界のアプリケーションをデプロイする上で大きな課題となる。
既存の低照度化や除染法は、低照度を明るくし、同時に雨を取り除くのに苦労する。
L$2$RIRNetと呼ばれるエンド・ツー・エンドのモデルを導入する。
論文 参考訳（メタデータ） (2023-05-06T10:17:42Z) - From heavy rain removal to detail restoration: A faster and better
network [26.60300982543502]
そこで本研究では,DPENetと呼ばれる2段階進行性拡張ネットワークを導入し,効率的なデラリニングを実現する。
本手法は,雨害除去ネットワーク(R$2$Net)と,無雨画像のテクスチャ的詳細を復元する詳細再構成ネットワーク(DRNet)の2つの重要なモジュールから構成される。
論文 参考訳（メタデータ） (2022-05-07T04:55:05Z) - Semi-DRDNet Semi-supervised Detail-recovery Image Deraining Network via
Unpaired Contrastive Learning [59.22620253308322]
半教師付き詳細復元画像デラミニングネットワーク(セミDRDNet)を提案する。
半教師付き学習パラダイムとして、Semi-DRDNetは、強靭性と詳細な精度を犠牲にして、合成データと実世界の降雨データの両方を円滑に運用する。
論文 参考訳（メタデータ） (2022-04-06T12:35:27Z) - 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) - RCDNet: An Interpretable Rain Convolutional Dictionary Network for
Single Image Deraining [49.99207211126791]
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。
論文 参考訳（メタデータ） (2021-07-14T16:08:11Z) - 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) - Exploiting Global and Local Attentions for Heavy Rain Removal on Single
Images [35.596659286313766]
単一画像からの豪雨除去は、雨のストレークと霧を同時に排除する作業である。
既存の降雨除去方法は, 大雨の場合, あまり一般的ではない。
3つのサブネットワークからなる新しいネットワークアーキテクチャを提案し、単一の画像から大雨を取り除く。
論文 参考訳（メタデータ） (2021-04-16T14:08:27Z) - 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)
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。