論文の概要: Single image dehazing via combining the prior knowledge and CNNs

• arxiv url: http://arxiv.org/abs/2111.05701v1
• Date: Wed, 10 Nov 2021 14:18:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-11 16:24:31.234583
• Title: Single image dehazing via combining the prior knowledge and CNNs
• Title（参考訳）: 先行知識とcnnを併用した単一画像デハジング
• Authors: Yuwen Li, Chaobing Zheng, Shiqian Wu, Wangming Xu
• Abstract要約: 本稿では,従来の知識と深層学習を組み合わせることで,欠陥の低減を図るために,エンドツーエンドシステムを提案する。 実験により,提案手法は既存手法よりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 6.566615606042994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aiming at the existing single image haze removal algorithms, which are based on prior knowledge and assumptions, subject to many limitations in practical applications, and could suffer from noise and halo amplification. An end-to-end system is proposed in this paper to reduce defects by combining the prior knowledge and deep learning method. The haze image is decomposed into the base layer and detail layers through a weighted guided image filter (WGIF) firstly, and the airlight is estimated from the base layer. Then, the base layer image is passed to the efficient deep convolutional network for estimating the transmission map. To restore object close to the camera completely without amplifying noise in sky or heavily hazy scene, an adaptive strategy is proposed based on the value of the transmission map. If the transmission map of a pixel is small, the base layer of the haze image is used to recover a haze-free image via atmospheric scattering model, finally. Otherwise, the haze image is used. Experiments show that the proposed method achieves superior performance over existing methods.
• Abstract（参考訳）: 先行知識と仮定に基づく既存の単一画像haze除去アルゴリズムを目標として,実用上の制約が多数存在し,ノイズやhalo増幅に支障をきたす可能性がある。 本稿では,事前知識と深層学習を組み合わせることで欠陥を低減できるエンド・ツー・エンドシステムを提案する。 ヘイズ画像をベース層と詳細層にまず重み付きガイド画像フィルタ(WGIF)を介して分解し、ベース層からエアライトを推定する。 そして、基地層画像を効率的な深部畳み込みネットワークに渡して送信マップを推定する。 空や濃厚なシーンのノイズを増幅することなく、カメラに近い物体を完全に復元するため、送信マップの値に基づいて適応戦略を提案する。 画素の送信マップが小さい場合は、最終的に、haze画像のベース層を使用して、大気散乱モデルを介してhazeフリー画像を回収する。 さもなければ、ヘイズ画像が用いられる。 実験により,提案手法は既存手法よりも優れた性能を示した。

関連論文リスト

• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• 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)
• Dual-Scale Single Image Dehazing Via Neural Augmentation [29.019279446792623]
  モデルベースとデータ駆動のアプローチを組み合わせることで,新しい単一画像デハージングアルゴリズムを導入する。 その結果,提案アルゴリズムは実世界および合成ヘイズ画像からヘイズをうまく除去できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-13T11:56:03Z)
• Model-Based Single Image Deep Dehazing [20.39952114471173]
  モデルベースおよびデータ駆動アプローチを融合させることにより,新しい単一画像デハージングアルゴリズムを導入する。 実験結果から,提案アルゴリズムは実世界のヘイズ画像や合成ヘイズ画像からヘイズをうまく除去できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T01:57:51Z)
• Multi-Scale Single Image Dehazing Using Laplacian and Gaussian Pyramids [17.99612951030546]
  空域における物体放射率とヘイズとのあいまいさとノイズ増幅は、モデル駆動の単一画像デハージングに固有の2つの問題である。 DDAPによる形態的アーティファクトを低減するために, 新規なヘイズライン平均化法を提案する。 その後、ラプラシアンピラミッドとグアシアンピラミッドを採用することにより、後者の問題に対処するマルチスケールデハジングアルゴリズムが提案される。
  論文  参考訳（メタデータ） (2021-11-10T14:17:58Z)
• Unsupervised Neural Rendering for Image Hazing [31.108654945661705]
  Image hazingは、ゲーム、撮影、写真のフィルタリング、画像のデハージングなど、さまざまな実用用途に適用可能な、クリーンな画像からヘイズな画像をレンダリングすることを目的としている。 本稿では,ハゼゲンと呼ばれる画像のレンダリング手法を提案する。具体的には,ハゼゲンは知識駆動型ニューラルネットワークであり,新しい先行情報を利用して送信マップを推定する。 エアライトを適応的に学習するために、別の新しい先行技術に基づいてニューラルモジュールを構築する。
  論文  参考訳（メタデータ） (2021-07-14T13:15:14Z)
• Learning to See Through Obstructions with Layered Decomposition [117.77024641706451]
  移動画像から不要な障害を取り除くための学習に基づくアプローチを提案する。 本手法は背景要素と閉塞要素の運動差を利用して両方の層を復元する。 本研究では,合成データから得られた提案手法が実画像に対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-08-11T17:59:31Z)
• Learning to Restore a Single Face Image Degraded by Atmospheric Turbulence using CNNs [93.72048616001064]
  このような条件下で撮影された画像は、幾何学的変形と空間のぼかしの組合せに悩まされる。 乱流劣化顔画像の復元問題に対する深層学習に基づく解法を提案する。
  論文  参考訳（メタデータ） (2020-07-16T15:25:08Z)
• You Only Look Yourself: Unsupervised and Untrained Single Image Dehazing Neural Network [63.2086502120071]
  地中清浄画像(教師なし)と画像収集(訓練なし)を訓練することなく、深層学習が画像脱ハージングを実現する方法について検討する。 教師なしニューラルネットワークは、ヘイジークリーンなイメージペアの集中的な労働力を回避し、トレーニングされていないモデルは、真のシングルイメージデハージングアプローチである。 層解離のアイデアに触発されて、イメージデハージングのための最初の教師なし、訓練されていないニューラルネットワークの1つになり得る、あなただけ(textbfYOLY)と呼ばれる新しい方法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T14:05:47Z)
• Learning to See Through Obstructions [117.77024641706451]
  本稿では,移動カメラで撮影した短い画像列から不要な障害物を除去するための学習に基づくアプローチを提案する。 本手法は背景要素と障害物要素の運動差を利用して両方の層を復元する。 合成データ転送のトレーニングは実画像に対して良好であることを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:12Z)

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。