論文の概要: Detecting Blurred Ground-based Sky/Cloud Images

• arxiv url: http://arxiv.org/abs/2110.09764v1
• Date: Tue, 19 Oct 2021 06:51:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-20 14:07:00.096446
• Title: Detecting Blurred Ground-based Sky/Cloud Images
• Title（参考訳）: ぼやけた地面ベースの空/雲画像の検出
• Authors: Mayank Jain, Navya Jain, Yee Hui Lee, Stefan Winkler, and Soumyabrata Dev
• Abstract要約: ぼやけた空/雲の画像を識別する効率的なフレームワークを提案する。 静的な外部マーカーを用いて,提案手法は検出精度が94%である。
• 参考スコア（独自算出の注目度）: 5.178207785968322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ground-based whole sky imagers (WSIs) are being used by researchers in various fields to study the atmospheric events. These ground-based sky cameras capture visible-light images of the sky at regular intervals of time. Owing to the atmospheric interference and camera sensor noise, the captured images often exhibit noise and blur. This may pose a problem in subsequent image processing stages. Therefore, it is important to accurately identify the blurred images. This is a difficult task, as clouds have varying shapes, textures, and soft edges whereas the sky acts as a homogeneous and uniform background. In this paper, we propose an efficient framework that can identify the blurred sky/cloud images. Using a static external marker, our proposed methodology has a detection accuracy of 94\%. To the best of our knowledge, our approach is the first of its kind in the automatic identification of blurred images for ground-based sky/cloud images.
• Abstract（参考訳）: 地上のスカイイメージ装置(WSI)は、様々な分野の研究者によって大気イベントの研究に利用されている。 これらの地上カメラは、定期的に空の可視光画像を撮影する。 大気干渉とカメラセンサノイズのため、撮像された画像はしばしばノイズとぼやけを示す。 これはその後の画像処理段階で問題を引き起こす可能性がある。 したがって、ぼやけた画像を正確に識別することが重要である。 雲は様々な形状、テクスチャ、柔らかい縁を持ち、空は均質で均一な背景として振る舞うため、これは難しい作業である。 本稿では,ぼやけた空/雲の画像を識別する効率的なフレームワークを提案する。 提案手法では,静的な外部マーカーを用いて94\%の検出精度を示す。 私たちの知る限りでは、地上の空/雲画像のぼやけた画像を自動的に識別する手法は、私たちのアプローチが初めてです。

関連論文リスト

• Precise Forecasting of Sky Images Using Spatial Warping [12.042758147684822]
  本稿では,従来の手法よりも高解像度で将来のスカイイメージフレームを予測するためのディープラーニング手法を提案する。 我々の主な貢献は、地平線における雲の有害な影響に対抗するために最適なワープ法を導出することである。
  論文  参考訳（メタデータ） (2024-09-18T17:25:42Z)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• See Blue Sky: Deep Image Dehaze Using Paired and Unpaired Training Images [73.23687409870656]
  本稿では,新しいエンドツーエンド画像デヘイズモデルを構築するために,サイクル生成対向ネットワークを提案する。 我々は、実世界の未ペア画像データセットとペア画像データセットのセットを含む、私たちのモデルをトレーニングするために、屋外画像データセットを採用しています。 本モデルでは, サイクル構造に基づいて, 対向損失, サイクル整合損失, フォトリアリズム損失, ペアL1損失を含む4種類の損失関数を付加した。
  論文  参考訳（メタデータ） (2022-10-14T07:45:33Z)
• Structure Representation Network and Uncertainty Feedback Learning for Dense Non-Uniform Fog Removal [64.77435210892041]
  本研究では,不確実性フィードバック学習を用いた構造表現ネットワークを提案する。 具体的には、事前訓練された視覚変換器(DINO-ViT)モジュールから特徴表現を抽出し、背景情報を復元する。 大気中の光色を推定する難易度に対処するために,入力画像のグレースケール版を利用する。
  論文  参考訳（メタデータ） (2022-10-06T17:10:57Z)
• Learning to restore images degraded by atmospheric turbulence using uncertainty [93.72048616001064]
  大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。 本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-07T17:24:52Z)
• Deep Learning Eliminates Massive Dust Storms from Images of Tianwen-1 [24.25089331365282]
  そこで我々は,火星の塵除去問題を解決するために,地球上で得られた画像デハージングの知識を再利用する手法を提案する。 地球上のヘイズの形成過程にインスパイアされ、クリーンな画像上でも同様の視覚劣化過程を定式化する。 我々は、本質的に無関係な特徴をダストにエンコードし、それらをダストフリーの画像にデコードするディープモデルを訓練する。
  論文  参考訳（メタデータ） (2022-06-21T07:05:09Z)
• Both Style and Fog Matter: Cumulative Domain Adaptation for Semantic Foggy Scene Understanding [63.99301797430936]
  我々は,2要素(スタイルとフォグ)を累積的に適応させる新しいパイプラインを提案する。 具体的には、スタイルファクタとフォグファクタを分離し、異なる領域のイメージから二重要素を分離する統一的なフレームワークを考案する。 提案手法は,3つのベンチマーク上での最先端性能を実現し,雨や雪の場面における一般化能力を示す。
  論文  参考訳（メタデータ） (2021-12-01T13:21:20Z)
• Robust Glare Detection: Review, Analysis, and Dataset Release [6.281101654856357]
  太陽のグレアは、無人の地上と屋外環境で活動する航空車両によって撮影された画像の中に広く存在する。 輝きの源は太陽に限らず、夜間や屋内で撮影された画像で見ることもできる。 この研究は、異なるカメラで撮影された画像を含む、グラア検出のための最初のデータセットを導入することを目的としている。
  論文  参考訳（メタデータ） (2021-10-12T13:46:33Z)
• Single image deep defocus estimation and its applications [82.93345261434943]
  画像パッチを20レベルの曖昧さの1つに分類するために、ディープニューラルネットワークをトレーニングします。 トレーニングされたモデルは、反復重み付きガイドフィルタを適用して改善するパッチのぼかしを決定するために使用される。 その結果、デフォーカスマップは各ピクセルのぼやけた度合いの情報を運ぶ。
  論文  参考訳（メタデータ） (2021-07-30T06:18:16Z)
• Adherent Mist and Raindrop Removal from a Single Image Using Attentive Convolutional Network [1.2891210250935146]
  ガラスに付着したガラス、例えばフロントガラス、カメラレンズなどの温度差による霧は、しばしば不均一で不均一である。 本研究では, 付着霧と雨滴による画像劣化の問題を新たに提示する。 注意的畳み込みネットワークを採用し、単一の画像から付着霧や雨滴を視覚的に除去する。
  論文  参考訳（メタデータ） (2020-09-03T06:17:53Z)
• Sky Optimization: Semantically aware image processing of skies in low-light photography [26.37385679374474]
  本稿では,カメラパイプラインの一部として動作し,正確なスカイアルファマスクを作成する自動化手法を提案する。 本手法は,モバイル端末上での1枚の画像あたり50秒未満で,エンドツーエンドの空の最適化を行う。
  論文  参考訳（メタデータ） (2020-06-15T20:19:12Z)

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。