論文の概要: Single Image Deraining Network with Rain Embedding Consistency and Layered LSTM

• arxiv url: http://arxiv.org/abs/2111.03615v1
• Date: Fri, 5 Nov 2021 17:03:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-08 15:40:10.286539
• Title: Single Image Deraining Network with Rain Embedding Consistency and Layered LSTM
• Title（参考訳）: レイン埋め込み整合性と層状LSTMを用いた単一画像評価ネットワーク
• Authors: Yizhou Li and Yusuke Monno and Masatoshi Okutomi
• Abstract要約: 本稿では,オートエンコーダのエンコード埋め込みを理想的な雨埋め込みとして,「レイン埋め込み一貫性」の概念を紹介した。 レイン・エンベディング・ロス(Rain Embedding Loss)は、法定局所コントラスト正規化(Rectified Local Contrast Normalization)をガイドとして、エンコーディングプロセスを直接監督するために適用される。 また,異なるスケールを考慮した繰り返しデラリニングおよび微細エンコーダ機能改善のための層状LSTMを提案する。
• 参考スコア（独自算出の注目度）: 14.310541943673181
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Single image deraining is typically addressed as residual learning to predict the rain layer from an input rainy image. For this purpose, an encoder-decoder network draws wide attention, where the encoder is required to encode a high-quality rain embedding which determines the performance of the subsequent decoding stage to reconstruct the rain layer. However, most of existing studies ignore the significance of rain embedding quality, thus leading to limited performance with over/under-deraining. In this paper, with our observation of the high rain layer reconstruction performance by an rain-to-rain autoencoder, we introduce the idea of "Rain Embedding Consistency" by regarding the encoded embedding by the autoencoder as an ideal rain embedding and aim at enhancing the deraining performance by improving the consistency between the ideal rain embedding and the rain embedding derived by the encoder of the deraining network. To achieve this, a Rain Embedding Loss is applied to directly supervise the encoding process, with a Rectified Local Contrast Normalization (RLCN) as the guide that effectively extracts the candidate rain pixels. We also propose Layered LSTM for recurrent deraining and fine-grained encoder feature refinement considering different scales. Qualitative and quantitative experiments demonstrate that our proposed method outperforms previous state-of-the-art methods particularly on a real-world dataset. Our source code is available at http://www.ok.sc.e.titech.ac.jp/res/SIR/.
• Abstract（参考訳）: 単一画像のレーディングは、通常、入力された雨画像から雨層を予測するために残留学習として取り扱われる。 この目的のために、エンコーダ・デコーダネットワークは、後続の復号ステージの性能を決定する高品質の降雨埋め込みをエンコーダにエンコードし、雨層を再構築する。 しかし、既存の研究の多くは雨の埋込み品質の重要性を無視しており、オーバー・アンダー・デリンディングによる性能の低下に繋がる。 本稿では,雨と雨の混入による高雨層復元性能の観察から,雨の埋込を理想的な雨の埋込とし,雨の埋込と排水網のエンコーダによる雨の埋込の一貫性を向上させることにより,雨の埋込性能を向上させることを目的とした「雨の埋込一貫性」の考え方を紹介する。 これを実現するために、RLCN(Rectified Local Contrast Normalization)を候補の雨画素を効果的に抽出するガイドとして、Rain Embedding Lossを適用してエンコーディングプロセスを直接監督する。 また,異なるスケールを考慮した繰り返しデラリニングおよび微細エンコーダ機能改善のための層状LSTMを提案する。 定性的かつ定量的な実験により,提案手法は,特に実世界のデータセットにおいて,従来の最先端手法よりも優れていることを示した。 ソースコードはhttp://www.ok.sc.e.。 titech.ac.jp/res/SIR/

関連論文リスト

• MDeRainNet: An Efficient Neural Network for Rain Streak Removal from Macro-pixel Images [44.83349966064718]
  我々は,LF画像から降雨ストリーク除去を行うために,MDeRainNetと呼ばれる効率的なネットワークを提案する。 提案するネットワークはマルチスケールエンコーダデコーダアーキテクチャを採用し, 直接マクロピクセル画像(MPI)を用いて降雨除去性能を向上する。 そこで本研究では,MDeRainNetのための新しい半教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-15T14:47:02Z)
• RainyScape: Unsupervised Rainy Scene Reconstruction using Decoupled Neural Rendering [50.14860376758962]
  多視点降雨画像の集合からクリーンなシーンを再構築するための教師なしフレームワークであるRainyScapeを提案する。 ニューラルネットワークのスペクトルバイアス特性に基づいて、まずニューラルネットワークのレンダリングパイプラインを最適化し、低周波シーン表現を得る。 我々は2つのモジュールを協調的に最適化し,適応的指向性勾配に基づく再構成損失によって駆動する。
  論文  参考訳（メタデータ） (2024-04-17T14:07:22Z)
• 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)
• Deep Single Image Deraining using An Asymetric Cycle Generative and Adversarial Framework [16.59494337699748]
  単体画像デライニングのための新しいACGF(Asymetric Cycle Generative and Adrial framework)を提案する。 ACGFは合成雨像と実際の雨像の両方を訓練し、同時に雨の流れと霧の特徴を捉えている。 基準降雨量と降雨量のデータセットによる実験では、ACGFは最先端のデラライニング法よりも優れていた。
  論文  参考訳（メタデータ） (2022-02-19T16:14:10Z)
• Rain Removal and Illumination Enhancement Done in One Go [1.0323063834827415]
  本稿では,雨を除去し,照明を1回で強化できる新しい絡み合いネットワークEMNetを提案する。 雨画像復元アルゴリズムの開発を促進するために,新しい合成データセットDarkRainを提案する。 EMNetは提案したベンチマークで広範囲に評価され、最先端の結果が得られた。
  論文  参考訳（メタデータ） (2021-08-09T08:46:15Z)
• 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)
• Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
  本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。 具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。 ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
  論文  参考訳（メタデータ） (2021-03-14T14:28:57Z)
• 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)

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。