論文の概要: Perceiving and Modeling Density is All You Need for Image Dehazing
- arxiv url: http://arxiv.org/abs/2111.09733v1
- Date: Thu, 18 Nov 2021 14:47:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-19 19:37:09.608465
- Title: Perceiving and Modeling Density is All You Need for Image Dehazing
- Title（参考訳）: 画像のデハージングに必要な密度の認識とモデリング
- Authors: Tian Ye, Mingchao Jiang, Yunchen Zhang, Liang Chen, Erkang Chen, Pen
Chen, Zhiyong Lu
- Abstract要約: 現実の世界では、ヘイズの下で撮影された画像の劣化は非常に複雑である。
近年の手法では、深層ニューラルネットワークを用いて、ぼんやりとした画像から直接クリーンなシーンを復元している。
本研究では,不均一なヘイズ分布に対する密度の知覚とモデル化により,実世界のヘイズ劣化をモデル化する問題を解くことを提案する。
- 参考スコア（独自算出の注目度）: 10.864016211811025
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In the real world, the degradation of images taken under haze can be quite
complex, where the spatial distribution of haze is varied from image to image.
Recent methods adopt deep neural networks to recover clean scenes from hazy
images directly. However, due to the paradox caused by the variation of real
captured haze and the fixed degradation parameters of the current networks, the
generalization ability of recent dehazing methods on real-world hazy images is
not ideal.To address the problem of modeling real-world haze degradation, we
propose to solve this problem by perceiving and modeling density for uneven
haze distribution. We propose a novel Separable Hybrid Attention (SHA) module
to encode haze density by capturing features in the orthogonal directions to
achieve this goal. Moreover, a density map is proposed to model the uneven
distribution of the haze explicitly. The density map generates positional
encoding in a semi-supervised way. Such a haze density perceiving and modeling
capture the unevenly distributed degeneration at the feature level effectively.
Through a suitable combination of SHA and density map, we design a novel
dehazing network architecture, which achieves a good complexity-performance
trade-off. The extensive experiments on two large-scale datasets demonstrate
that our method surpasses all state-of-the-art approaches by a large margin
both quantitatively and qualitatively, boosting the best published PSNR metric
from 28.53 dB to 33.49 dB on the Haze4k test dataset and from 37.17 dB to 38.41
dB on the SOTS indoor test dataset.
- Abstract（参考訳）: 実世界では、ヘイズの下で撮影された画像の劣化は非常に複雑であり、ヘイズの空間分布は画像によって異なる。
近年の手法では、深層ニューラルネットワークを用いて、ぼんやりとした画像から直接クリーンなシーンを復元している。
しかし, 実写ヘイズ画像における実写ヘイズ分布の変動によるパラドックスや, 現在のネットワークの固定劣化パラメータによるパラドックスにより, 実写ヘイズ画像に対する最近のデヘイズ手法の一般化能力は理想的ではなく, 実写ヘイズ劣化をモデル化する問題に対処するために, 不均一ヘイズ分布の密度を知覚し, モデル化することでこの問題を解決することを提案する。
本稿では,この目的を達成するために,直交方向の特徴を捉えることで,ヘイズ密度を符号化する新たなSHAモジュールを提案する。
さらに,Hazeの不均一分布を明示的にモデル化する密度写像を提案する。
密度マップは半教師あり方式で位置符号化を生成する。
このようなヘイズ密度の知覚とモデリングは、不均等に分散したデジェネレーションを効果的に特徴レベルで捉える。
SHAと密度マップの適切な組み合わせにより、我々は、高い複雑性と性能のトレードオフを実現する新しいデハージングネットワークアーキテクチャを設計する。
2つの大規模データセットに関する広範な実験により、我々の手法は、定量的にも定性的にも、すべての最先端アプローチを定量的に上回り、最高のPSNRメトリックをHaze4kテストデータセットで28.53dBから33.49dB、SOTS屋内テストデータセットで37.17dBから38.41dBに引き上げることを示した。
関連論文リスト
- Latent Consistency Models: Synthesizing High-Resolution Images with
Few-Step Inference [60.32804641276217]
本稿では,LCM(Latent Consistency Models)を提案する。
高品質の768 x 768 24-step LCMは、トレーニングに32A100 GPU時間しかかからない。
また,画像データセットの微調整に適した新しいLCM法であるLCF(Latent Consistency Fine-tuning)についても紹介する。
論文 参考訳（メタデータ） (2023-10-06T17:11:58Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2023-05-22T12:18:20Z) - Single-View Height Estimation with Conditional Diffusion Probabilistic
Models [1.8782750537161614]
我々は、マルコフ連鎖として光学画像とDSM画像の連成分布を学習するために、生成拡散モデルを訓練する。
これは、音源画像に条件付けされたままの復調スコアマッチング目標を最小化して、現実的な高解像度3次元表面を生成する。
本稿では,1枚のリモートセンシング画像から高度推定を行う条件付き拡散確率モデル(DDPM)を実験する。
論文 参考訳（メタデータ） (2023-04-26T00:37:05Z) - 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) - PixelPyramids: Exact Inference Models from Lossless Image Pyramids [58.949070311990916]
Pixel-Pyramidsは、画像画素の関節分布を符号化するスケール特異的表現を用いたブロック自動回帰手法である。
様々な画像データセット、特に高解像度データに対する密度推定の最先端結果が得られる。
CelebA-HQ 1024 x 1024 では,フローベースモデルの並列化よりもサンプリング速度が優れているにもかかわらず,密度推定値がベースラインの 44% に向上することが観察された。
論文 参考訳（メタデータ） (2021-10-17T10:47:29Z) - DAMix: Density-Aware Data Augmentation for Unsupervised Domain
Adaptation on Single Image Dehazing [2.2678980997015534]
本研究では, 対象領域のヘイズ密度レベルに応じて合成ヘイズサンプルを生成する密度認識型データ拡張法(DAMix)を提案する。
DAMixは、さまざまなヘイズ密度を特徴とするサンプルからモデルを学習することを保証する。
本研究では,2つの枝を含む二重分岐脱ハージングネットワークを構築し,その領域のヘイズ密度に応じてヘイズを適応的に除去する。
論文 参考訳（メタデータ） (2021-09-26T09:45:59Z) - From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real
Data [58.50411487497146]
ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。
まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。
そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
論文 参考訳（メタデータ） (2021-08-06T04:00:28Z) - Cascaded Diffusion Models for High Fidelity Image Generation [53.57766722279425]
本研究では,画像ネット生成の課題に対して,カスケード拡散モデルを用いて高忠実度画像を生成可能であることを示す。
カスケード拡散モデルは、解像度が増大する画像を生成する複数の拡散モデルのパイプラインを含む。
その結果,カスケードパイプラインのサンプル品質は,条件付拡張に大きく依存していることがわかった。
論文 参考訳（メタデータ） (2021-05-30T17:14:52Z) - Non-Homogeneous Haze Removal via Artificial Scene Prior and
Bidimensional Graph Reasoning [52.07698484363237]
本研究では,人工シーンの前置と2次元グラフ推論による不均質なヘイズ除去ネットワーク(nhrn)を提案する。
本手法は,単一画像デハジングタスクとハイザイ画像理解タスクの両方において,最先端アルゴリズムよりも優れた性能を実現する。
論文 参考訳（メタデータ） (2021-04-05T13:04:44Z) - Advanced Multiple Linear Regression Based Dark Channel Prior Applied on
Dehazing Image and Generating Synthetic Haze [0.6875312133832078]
筆者らは,ダークチャネル・プリアー(dark channel prior)というデヘイジングアルゴリズムに基づく多重線形回帰ヘイズ除去モデルを提案する。
湿潤環境における物体検出精度を高めるため, 著者らは, 合成湿潤COCOトレーニングデータセットを構築するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-12T03:32:08Z) - Dehaze-GLCGAN: Unpaired Single Image De-hazing via Adversarial Training [3.5788754401889014]
単一画像デハジングのためのデハジンググローバルローカルサイクル一貫性生成適応ネットワーク(Dehaze-GLCGAN)を提案する。
3つのベンチマークデータセットに対する実験により、ネットワークはPSNRとSSIMの点で過去の作業より優れていたことが判明した。
論文 参考訳（メタデータ） (2020-08-15T02:43:00Z)
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。