論文の概要: M2GAN: A Multi-Stage Self-Attention Network for Image Rain Removal on Autonomous Vehicles

• arxiv url: http://arxiv.org/abs/2110.06164v1
• Date: Tue, 12 Oct 2021 16:58:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-13 15:53:15.899982
• Title: M2GAN: A Multi-Stage Self-Attention Network for Image Rain Removal on Autonomous Vehicles
• Title（参考訳）: m2gan: 自律走行車における画像雨除去のための多段セルフアテンションネットワーク
• Authors: Duc Manh Nguyen, Sang-Woong Lee
• Abstract要約: 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。
• 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 applications of autonomous vehicles. In a bad weather condition of heavy rainfall, raindrops, mainly hitting the vehicle's windshield, can significantly reduce observation ability even though the windshield wipers might be able to remove part of it. Moreover, rain flows spreading over the windshield can yield the physical effect of refraction, which seriously impede the sightline or undermine the machine learning system equipped in the vehicle. In this paper, we propose a new multi-stage multi-task recurrent generative adversarial network (M2GAN) to deal with challenging problems of raindrops hitting the car's windshield. This method is also applicable for removing raindrops appearing on a glass window or lens. M2GAN is a multi-stage multi-task generative adversarial network that can utilize prior high-level information, such as semantic segmentation, to boost deraining performance. To demonstrate M2GAN, we introduce the first real-world dataset for rain removal on autonomous vehicles. The experimental results show that our proposed method is superior to other state-of-the-art approaches of deraining raindrops in respect of quantitative metrics and visual quality. M2GAN is considered the first method to deal with challenging problems of real-world rains under unconstrained environments such as autonomous vehicles.
• Abstract（参考訳）: イメージレーダリングは、自動運転車の応用において新たな挑戦的な問題である。 豪雨の悪天候下では、主に車両のフロントガラスを打つ雨滴は、フロントガラスのワイパーが一部を除去できるとしても、観測能力を著しく低下させることができる。 さらに、フロントガラスの上に広がる雨流は屈折の物理的効果を生じさせ、観光線を著しく阻害したり、車両に搭載された機械学習システムを弱めたりする。 本稿では,自動車のフロントガラスにぶつかる雨滴の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・逆向ネットワーク(M2GAN)を提案する。 また、ガラス窓やレンズに現れる雨滴の除去にも適用できる。 M2GANは, セマンティックセグメンテーションなどの先進的な高レベル情報を利用して, デライン性能を向上させるマルチタスク生成対向ネットワークである。 M2GANを実証するために,自律走行車における降雨除去のための最初の実世界のデータセットを紹介する。 実験結果から,本手法は他の雨滴流出手法よりも定量的指標と視覚品質において優れていることが示唆された。 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問題に対処する最初の方法と考えられている。

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)
• NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
  夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。 雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。 雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
  論文  参考訳（メタデータ） (2024-02-28T09:02:33Z)
• Why current rain denoising models fail on CycleGAN created rain images in autonomous driving [1.4831974871130875]
  GAN(Generative Adversarial Network)を用いた一組のクリアウェザー条件画像に雨を人工的に付加する この人工的な雨画像の生成は、10件中7件で、人間の被験者は生成された雨画像が本物だと信じていた。 第2のステップでは、このペア付きグッド/バッド気象画像データを使用して、主にCNN(Convolutional Neural Network)とVision Transformer(Vision Transformer)をベースとした2つの降雨モデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-22T12:42:32Z)
• 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)
• UnfairGAN: An Enhanced Generative Adversarial Network for Raindrop Removal from A Single Image [8.642603456626391]
  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。
  論文  参考訳（メタデータ） (2021-10-11T18:02:43Z)
• 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)
• Dual Attention-in-Attention Model for Joint Rain Streak and Raindrop Removal [103.4067418083549]
  降雨量と降雨量の両方を同時に除去する2つのDAMを含むDual Attention-in-Attention Model (DAiAM)を提案する。 提案手法は,降雨量と降雨量とを同時に除去できるだけでなく,両タスクの最先端性能も達成できる。
  論文  参考訳（メタデータ） (2021-03-12T03:00:33Z)
• MBA-RainGAN: Multi-branch Attention Generative Adversarial Network for Mixture of Rain Removal from Single Images [24.60495609529114]
  豪雨の日、ガラスを通して画像が撮影されるとき、雨はシーンオブジェクトの視界をひどく損なう。 1) 雨は雨滴, 雨煙, 雨雲の混合であり, 2) カメラからの深さが物体の視界の度合いを決定する, 3) ガラス上の雨滴は画像空間全体の視界にランダムに影響を及ぼす, 興味深い3つの現象を観察する。
  論文  参考訳（メタデータ） (2020-05-21T11:44:21Z)
• 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)
• Multi-Task Learning Enhanced Single Image De-Raining [9.207797392774465]
  画像の降雨除去はコンピュータビジョンにおいて重要な課題であり、より多くの人々の注目を集めている。 本稿では,1枚の画像からレインストリークの視覚効果を除去する非自明な問題に対処する。 本手法は,降雨除去のためのマルチタスク回帰モデルにおいて,様々な意味制約タスクを組み合わさったものである。
  論文  参考訳（メタデータ） (2020-03-21T16:19:56Z)

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。