論文の概要: UnfairGAN: An Enhanced Generative Adversarial Network for Raindrop
Removal from A Single Image
- arxiv url: http://arxiv.org/abs/2110.05523v1
- Date: Mon, 11 Oct 2021 18:02:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-14 09:32:22.699874
- Title: UnfairGAN: An Enhanced Generative Adversarial Network for Raindrop
Removal from A Single Image
- Title(参考訳): UnfairGAN: 単一画像からの降雨除去のための改良された生成的敵ネットワーク
- Authors: Duc Manh Nguyen, Sang-Woong Lee
- Abstract要約: UnfairGANは、エッジや雨量推定といった事前の高レベル情報を活用することで、デライニング性能を向上させることができる、改良された生成的敵ネットワークである。
提案手法は, 定量的な計測値と視覚的品質に関する降雨量について, 従来の手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 8.642603456626391
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image deraining is a new challenging problem in real-world applications, such
as autonomous vehicles. In a bad weather condition of heavy rainfall,
raindrops, mainly hitting glasses or windshields, can significantly reduce
observation ability. Moreover, raindrops spreading over the glass can yield
refraction's physical effect, which seriously impedes the sightline or
undermine machine learning systems. In this paper, we propose an enhanced
generative adversarial network to deal with the challenging problems of
raindrops. UnfairGAN is an enhanced generative adversarial network that can
utilize prior high-level information, such as edges and rain estimation, to
boost deraining performance. To demonstrate UnfairGAN, we introduce a large
dataset for training deep learning models of rain removal. The experimental
results show that our proposed method is superior to other state-of-the-art
approaches of deraining raindrops regarding quantitative metrics and visual
quality.
- Abstract(参考訳): 画像のデライン化は、自動運転車のような現実世界のアプリケーションでは、新しい難しい問題だ。
豪雨の悪天候下では、主にガラスやフロントガラスを打つ雨滴は観測能力を著しく低下させる。
さらに、ガラスの上に広がる雨滴は屈折の物理的効果をもたらし、視覚系や機械学習システムに深刻な障害を与える。
本稿では,雨滴の難解な問題に対処するために,生成的敵ネットワークの強化を提案する。
不公平は、エッジや雨量推定などの事前のハイレベル情報を利用して、デレーシング性能を向上させる、強化された生成的敵意ネットワークである。
UnfairGANを実証するために、雨除去の深層学習モデルをトレーニングするための大規模なデータセットを導入する。
実験の結果,提案手法は,定量的な測定値と視覚的品質に関する降雨量削減手法よりも優れていることがわかった。
関連論文リスト
- TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。
その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。
提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
論文 参考訳(メタデータ) (2024-03-15T03:27:39Z) - Towards General and Fast Video Derain via Knowledge Distillation [10.614356931086267]
我々は知識蒸留(RRGNet)による一般ビデオデラインネットワークを提案する。
ビデオの時間情報をフル活用するフレームグルーピング方式のエンコーダデコーダネットワークを設計する。
ネットワークのデライン機能を強化するために,現在のモデルのために古いタスクからのデータを再生するためのレインレビューモジュールを設計する。
論文 参考訳(メタデータ) (2023-08-10T05:27:43Z) - Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。
安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。
また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
論文 参考訳(メタデータ) (2023-01-23T13:34:01Z) - Not Just Streaks: Towards Ground Truth for Single Image Deraining [42.15398478201746]
実世界の雨天とクリーンなイメージペアの大規模データセットを提案する。
本稿では,雨天と清潔な画像の間の雨害損失を最小限に抑え,基盤となるシーンを再構築するディープニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-06-22T00:10:06Z) - Towards Robust Rain Removal Against Adversarial Attacks: A Comprehensive
Benchmark Analysis and Beyond [85.06231315901505]
雨の除去は、画像やビデオから雨の流れを取り除き、雨による破壊的な影響を減らすことを目的としている。
本稿では, 深層学習に基づく雨害防止手法の強靭性に関する総合的な研究を初めて行おうとする。
論文 参考訳(メタデータ) (2022-03-31T10:22:24Z) - M2GAN: A Multi-Stage Self-Attention Network for Image Rain Removal on
Autonomous Vehicles [8.642603456626391]
自動車のフロントガラスに雨滴がぶつかる問題に対処するため,マルチタスク・リカレント・ジェネレーティブ・逆向きネットワーク (M2GAN) を提案する。
M2GANは、自動運転車のような制約のない環境下での現実世界の雨の挑戦的な問題に対処する最初の方法と考えられている。
論文 参考訳(メタデータ) (2021-10-12T16:58:33Z) - 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) - Adversarial Rain Attack and Defensive Deraining for DNN Perception [29.49757380041375]
我々は,雨天画像合成と敵攻撃という,全く異なる2つの研究を組み合わせることを提案する。
我々はまず,DNNの誘導により,様々な降雨状況をシミュレートした逆降雨攻撃を提示する。
特に,カメラ露光過程に応じて降雨ストリークを合成する因子対応降雨発生装置を設計する。
また, 逆降雨層を混合した逆降雨層を設計する, 防御的なデライン化戦略も提示する。
論文 参考訳(メタデータ) (2020-09-19T10:12:08Z) - 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) - 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。