論文の概要: Single Image Dehazing with An Independent Detail-Recovery Network
- arxiv url: http://arxiv.org/abs/2109.10492v1
- Date: Wed, 22 Sep 2021 02:49:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-23 13:46:23.880228
- Title: Single Image Dehazing with An Independent Detail-Recovery Network
- Title（参考訳）: ディテールリカバリネットワークを用いた単一画像デハジング
- Authors: Yan Li, De Cheng, Jiande Sun, Dingwen Zhang, Nannan Wang and Xinbo Gao
- Abstract要約: 個別のDetail Recovery Network (DRN) を用いた単一画像デハージング手法を提案する。
DRNは、それぞれのローカルブランチとグローバルブランチを通じて、デハズドイメージの詳細を復元することを目的としている。
本手法は, 定量的, 定性的に, 最先端の脱ハージング法より優れる。
- 参考スコア（独自算出の注目度）: 117.86146907611054
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Single image dehazing is a prerequisite which affects the performance of many
computer vision tasks and has attracted increasing attention in recent years.
However, most existing dehazing methods emphasize more on haze removal but less
on the detail recovery of the dehazed images. In this paper, we propose a
single image dehazing method with an independent Detail Recovery Network (DRN),
which considers capturing the details from the input image over a separate
network and then integrates them into a coarse dehazed image. The overall
network consists of two independent networks, named DRN and the dehazing
network respectively. Specifically, the DRN aims to recover the dehazed image
details through local and global branches respectively. The local branch can
obtain local detail information through the convolution layer and the global
branch can capture more global information by the Smooth Dilated Convolution
(SDC). The detail feature map is fused into the coarse dehazed image to obtain
the dehazed image with rich image details. Besides, we integrate the DRN, the
physical-model-based dehazing network and the reconstruction loss into an
end-to-end joint learning framework. Extensive experiments on the public image
dehazing datasets (RESIDE-Indoor, RESIDE-Outdoor and the TrainA-TestA)
illustrate the effectiveness of the modules in the proposed method and show
that our method outperforms the state-of-the-art dehazing methods both
quantitatively and qualitatively. The code is released in
https://github.com/YanLi-LY/Dehazing-DRN.
- Abstract（参考訳）: 単一画像デハジングは多くのコンピュータビジョンタスクのパフォーマンスに影響を与える前提条件であり、近年注目を集めている。
しかし, 既存の脱ハズ法は, 脱ハズ除去に重点を置いているが, 脱ハズ画像の詳細な復元は重視されていない。
本稿では,個別のディーテール・リカバリ・ネットワーク(DRN)を用いた単一画像デハージング手法を提案する。
ネットワーク全体はdrnとdehazingの2つの独立したネットワークで構成されている。
具体的には、DRNは、それぞれローカルブランチとグローバルブランチを通じて、デハズドイメージの詳細を復元することを目的としている。
ローカルブランチは、畳み込み層を介して局所的な詳細情報を取得し、グローバルブランチは、Smooth Dilated Convolution (SDC)によってよりグローバルな情報を取得することができる。
ディテール特徴マップを粗いデハズ画像に融合して、デハズ画像の詳細な画像を得る。
さらに, DRN, 物理モデルに基づくデハージングネットワーク, 再構築損失を, エンドツーエンドのジョイントラーニングフレームワークに統合する。
公開画像デハージングデータセット(RESIDE-Indoor, RESIDE-Outdoor, TrainA-TestA)の大規模な実験により,提案手法におけるモジュールの有効性が示され,本手法が最先端デハージング手法よりも定量的かつ定性的に優れていることを示す。
コードはhttps://github.com/YanLi-LY/Dehazing-DRNで公開されている。
関連論文リスト
- DRACO-DehazeNet: An Efficient Image Dehazing Network Combining Detail Recovery and a Novel Contrastive Learning Paradigm [3.649619954898362]
Detail RecoveryとContrastive DehazeNetは、特定のデハズされたシーンコンテキストへの拡張を調整した、詳細なイメージリカバリネットワークである。
大きな革新は、新しい四重項損失に基づくコントラストデハージングパラダイムによって達成された、限られたデータで効果的にトレーニングできることである。
論文 参考訳（メタデータ） (2024-10-18T16:48:31Z) - CoCoNet: Coupled Contrastive Learning Network with Multi-level Feature
Ensemble for Multi-modality Image Fusion [72.8898811120795]
我々は、赤外線と可視画像の融合を実現するために、CoCoNetと呼ばれるコントラスト学習ネットワークを提案する。
本手法は,主観的評価と客観的評価の両面において,最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2022-11-20T12:02:07Z) - Cross-Stitched Multi-task Dual Recursive Networks for Unified Single
Image Deraining and Desnowing [70.24489870383027]
本稿では,統合デライニングとデリーディングを対象とするマルチタスク統合デュアル再帰ネットワーク(CMUDRN)モデルを提案する。
提案モデルは,2つの別々のDual Recursive Network(DRN)モデル間でマルチタスク学習を可能にするクロススティッチユニットを利用する。
論文 参考訳（メタデータ） (2022-11-15T16:44:53Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2022-04-19T17:59:45Z) - Contrastive Learning for Compact Single Image Dehazing [41.83007400559068]
コントラスト学習に基づいて構築された新しいコントラスト正規化(CR)を提案し、ヘイズ画像とクリア画像の情報の両方をネガティブかつポジティブなサンプルとして活用する。
CRは、復元された画像が透明な画像に近づき、表現空間のぼやけた画像から遠くへ押し出されることを保証する。
性能とメモリストレージのトレードオフを考慮すると、オートエンコーダのようなフレームワークに基づくコンパクトなデハージングネットワークを開発する。
論文 参考訳（メタデータ） (2021-04-19T14:56:21Z) - Multi-Stage Progressive Image Restoration [167.6852235432918]
本稿では、これらの競合する目標を最適にバランスできる新しい相乗的設計を提案する。
本提案では, 劣化した入力の復元関数を段階的に学習する多段階アーキテクチャを提案する。
MPRNetという名前の密接な相互接続型マルチステージアーキテクチャは、10のデータセットに対して強力なパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2021-02-04T18:57:07Z) - Image deblurring based on lightweight multi-information fusion network [6.848061582669787]
画像デブロアリングのための軽量多情報融合ネットワーク(LMFN)を提案する。
符号化段階では、画像特徴は、マルチスケール情報抽出および融合のための様々な小規模空間に還元される。
その後、デコード段階で蒸留ネットワークが使用され、ネットワークは残留学習から最も利益を得ます。
私たちのネットワークは、少ないパラメータで最新の画像破壊結果を達成し、モデルの複雑さで既存の方法を上回ることができます。
論文 参考訳（メタデータ） (2021-01-14T00:37:37Z) - 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) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳（メタデータ） (2020-03-15T11:04:30Z)
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。