論文の概要: Fully Non-Homogeneous Atmospheric Scattering Modeling with Convolutional Neural Networks for Single Image Dehazing

• arxiv url: http://arxiv.org/abs/2108.11292v1
• Date: Wed, 25 Aug 2021 15:27:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-26 12:54:56.814419
• Title: Fully Non-Homogeneous Atmospheric Scattering Modeling with Convolutional Neural Networks for Single Image Dehazing
• Title（参考訳）: 畳み込みニューラルネットワークを用いた単一画像デハジングのための完全不均質大気散乱モデリング
• Authors: Cong Wang, Yan Huang, Yuexian Zou and Yong Xu
• Abstract要約: 大気散乱モデル(ASM)に基づくSIDM(Single Image Dehazing Model)は顕著な結果を得た。 本研究では,新しい非均一な大気散乱モデル (FNH-ASM) を提案する。 2つの新しいコスト依存損失関数であるβ-LossとD-Lossは、感度位置のパラメータバイアスを制限するために革新的に開発されている。
• 参考スコア（独自算出の注目度）: 42.20480089840438
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In recent years, single image dehazing models (SIDM) based on atmospheric scattering model (ASM) have achieved remarkable results. However, it is noted that ASM-based SIDM degrades its performance in dehazing real world hazy images due to the limited modelling ability of ASM where the atmospheric light factor (ALF) and the angular scattering coefficient (ASC) are assumed as constants for one image. Obviously, the hazy images taken in real world cannot always satisfy this assumption. Such generating modelling mismatch between the real-world images and ASM sets up the upper bound of trained ASM-based SIDM for dehazing. Bearing this in mind, in this study, a new fully non-homogeneous atmospheric scattering model (FNH-ASM) is proposed for well modeling the hazy images under complex conditions where ALF and ASC are pixel dependent. However, FNH-ASM brings difficulty in practical application. In FNH-ASM based SIDM, the estimation bias of parameters at different positions lead to different distortion of dehazing result. Hence, in order to reduce the influence of parameter estimation bias on dehazing results, two new cost sensitive loss functions, beta-Loss and D-Loss, are innovatively developed for limiting the parameter bias of sensitive positions that have a greater impact on the dehazing result. In the end, based on FNH-ASM, an end-to-end CNN-based dehazing network, FNHD-Net, is developed, which applies beta-Loss and D-Loss. Experimental results demonstrate the effectiveness and superiority of our proposed FNHD-Net for dehazing on both synthetic and real-world images. And the performance improvement of our method increases more obviously in dense and heterogeneous haze scenes.
• Abstract（参考訳）: 近年,大気散乱モデル (ASM) に基づく単一画像復調モデル (SIDM) が顕著な成果を上げている。 しかし、大気光係数(ALF)と角散乱係数(ASC)が1つの画像の定数として仮定されるASMのモデリング能力に制限があるため、ASMをベースとしたSIDMは現実のヘイズ画像の性能を低下させる。 明らかに、現実世界で撮影されたぼんやりした画像は、この仮定を満たさない。 このような実世界の画像とASM間のモデリングミスマッチの生成は、デハージングのためにトレーニングされたASMベースのSIDMの上限を設定する。 このことを念頭に置いて, ALF と ASC が画素依存である複雑な条件下でのヘイズ画像のモデル化のために, 完全均一な大気散乱モデル (FNH-ASM) を提案する。 しかし、FNH-ASMは実用化に困難をもたらす。 FNH-ASMに基づくSIDMでは、異なる位置におけるパラメータの推定バイアスは脱ハージング結果の歪みが異なる。 そこで, パラメータ推定バイアスが消音結果に与える影響を低減すべく, 消音結果に大きな影響を及ぼす感度位置のパラメータバイアスを制限するために, 新たなコストに敏感な損失関数であるベータロスとdロスの2つを革新的に開発した。 最終的に、FNH-ASMに基づく、エンドツーエンドCNNベースのデハージングネットワークであるFNHD-Netが開発され、β-LossとD-Lossが適用される。 提案するfnhd-netの合成画像と実世界画像の両方におけるデハジング効果と優位性を実験により実証した。 また,本手法の性能向上は,濃密で異質なヘイズシーンにおいて明らかに向上する。

関連論文リスト

• Physics-Inspired Degradation Models for Hyperspectral Image Fusion [61.743696362028246]
  ほとんどの融合法は、融合アルゴリズム自体にのみ焦点をあて、分解モデルを見落としている。 我々は、LR-HSIとHR-MSIの劣化をモデル化するための物理インスパイアされた劣化モデル(PIDM)を提案する。 提案したPIDMは,既存の核融合法における核融合性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-02-04T09:07:28Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Diffusion Probabilistic Model Made Slim [128.2227518929644]
  軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。 一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
  論文  参考訳（メタデータ） (2022-11-27T16:27:28Z)
• AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using Denoising Diffusion Probabilistic Models [64.24948495708337]
  大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。 CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。 Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
  論文  参考訳（メタデータ） (2022-08-24T03:13:04Z)
• Towards a Unified Approach to Single Image Deraining and Dehazing [16.383099109400156]
  降雨効果の新しい物理モデルを開発し,その均一な連続限界として,ヘイズ効果のよく知られた大気散乱モデル(ASM)が自然に現れることを示した。 また,デレーシングとデヘイジングの両方に適した,密集したスケール接続型注意ネットワーク (dscan) を提案する。
  論文  参考訳（メタデータ） (2021-03-26T01:35:43Z)
• A GAN-Based Input-Size Flexibility Model for Single Image Dehazing [16.83211957781034]
  本稿では,単一画像デハジングの課題に焦点をあてる。 ヘイズフリーの画像を直接生成する新しいモデルを設計します。 この理由と画像サイズを考慮し,単一画像デハジングのための新たな入力サイズフレキシビリティ条件付き生成逆ネットワーク(cgan)を提案する。
  論文  参考訳（メタデータ） (2021-02-19T08:27:17Z)
• FWB-Net:Front White Balance Network for Color Shift Correction in Single Image Dehazing via Atmospheric Light Estimation [42.20480089840438]
  非均一な大気散乱モデル (NH-ASM) は、ヘイズ画像の画像モデリングを改善するために提案される。 新しいU-Netベースのフロントホワイトバランスモジュール (FWB-Module) はカラーシフトを補正するために設計されている。 FWB-Netと呼ばれる、CNNベースのカラーシフト抑制ネットワークを開発。
  論文  参考訳（メタデータ） (2021-01-21T06:53:44Z)
• 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。