論文の概要: ContourletNet: A Generalized Rain Removal Architecture Using
Multi-Direction Hierarchical Representation
- arxiv url: http://arxiv.org/abs/2111.12925v1
- Date: Thu, 25 Nov 2021 05:55:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 15:33:14.356594
- Title: ContourletNet: A Generalized Rain Removal Architecture Using
Multi-Direction Hierarchical Representation
- Title（参考訳）: ContourletNet:多方向階層表現を用いた一般化雨除去アーキテクチャ
- Authors: Wei-Ting Chen, Cheng-Che Tsai, Hao-Yu Fang, I-Hsiang Chen, Jian-Jiun
Ding, Sy-Yen Kuo
- Abstract要約: 雨のシナリオは、適度な雨と激しい雨のシーンの2つのクラスに分類されます。
両シナリオを効果的に扱うために,階層型多方向表現ネットワークを構築した。
この2つのシナリオを効果的に対処できる最初のアーキテクチャです。
- 参考スコア（独自算出の注目度）: 17.849462422674314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Images acquired from rainy scenes usually suffer from bad visibility which
may damage the performance of computer vision applications. The rainy scenarios
can be categorized into two classes: moderate rain and heavy rain scenes.
Moderate rain scene mainly consists of rain streaks while heavy rain scene
contains both rain streaks and the veiling effect (similar to haze). Although
existing methods have achieved excellent performance on these two cases
individually, it still lacks a general architecture to address both heavy rain
and moderate rain scenarios effectively. In this paper, we construct a
hierarchical multi-direction representation network by using the contourlet
transform (CT) to address both moderate rain and heavy rain scenarios. The CT
divides the image into the multi-direction subbands (MS) and the semantic
subband (SS). First, the rain streak information is retrieved to the MS based
on the multi-orientation property of the CT. Second, a hierarchical
architecture is proposed to reconstruct the background information including
damaged semantic information and the veiling effect in the SS. Last, the
multi-level subband discriminator with the feedback error map is proposed. By
this module, all subbands can be well optimized. This is the first architecture
that can address both of the two scenarios effectively. The code is available
in https://github.com/cctakaet/ContourletNet-BMVC2021.
- Abstract（参考訳）: 雨のシーンから取得した画像は、通常視界が悪く、コンピュータビジョンアプリケーションの性能を損なう可能性がある。
降雨シナリオは、適度な雨と豪雨の2つのクラスに分類できる。
降雨シーンは主に雨害から成り、豪雨シーンは雨害と換気効果(ヘイズに似ている)の両方を含んでいる。
既存の手法はこれらの2つのケースでそれぞれに優れた性能を発揮しているが、大雨と適度な降雨シナリオの両方に効果的に対処する一般的なアーキテクチャはいまだに欠けている。
本稿では,降雨シナリオと豪雨シナリオの両方に対処するために,contourlet transform (ct) を用いて階層型多方向表現ネットワークを構築する。
CTは画像を多方向サブバンド(MS)と意味サブバンド(SS)に分割する。
まず、CTのマルチオリエンテーション特性に基づいて、雨のストリーク情報をMSに検索する。
第2に,損傷した意味情報やSSの換気効果を含む背景情報を再構築する階層的アーキテクチャを提案する。
最後に,フィードバックエラーマップを用いたマルチレベルサブバンド判別器を提案する。
このモジュールにより、すべてのサブバンドは十分に最適化できる。
この2つのシナリオを効果的に対処できる最初のアーキテクチャです。
コードはhttps://github.com/cctakaet/ContourletNet-BMVC2021で公開されている。
関連論文リスト
- 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) - Structure-Preserving Deraining with Residue Channel Prior Guidance [33.41254475191555]
多くのハイレベルコンピュータビジョンタスクにおいて、単一画像のデアライニングが重要である。
RCP誘導を用いた構造保存評価ネットワーク(SPDNet)を提案する。
SPDNetは、RCPガイダンスの下で、明瞭で正確な構造を持つ高品質な無雨画像を直接生成する。
論文 参考訳（メタデータ） (2021-08-20T09:09:56Z) - 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) - 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) - Exploiting Global and Local Attentions for Heavy Rain Removal on Single
Images [35.596659286313766]
単一画像からの豪雨除去は、雨のストレークと霧を同時に排除する作業である。
既存の降雨除去方法は, 大雨の場合, あまり一般的ではない。
3つのサブネットワークからなる新しいネットワークアーキテクチャを提案し、単一の画像から大雨を取り除く。
論文 参考訳（メタデータ） (2021-04-16T14:08:27Z) - 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) - A Model-driven Deep Neural Network for Single Image Rain Removal [52.787356046951494]
完全解釈可能なネットワーク構造を持つモデル駆動型ディープニューラルネットワークを提案する。
雨を表現するための畳み込み辞書学習機構に基づいて,新しい単一画像デレーニングモデルを提案する。
すべてのレインカーネルとオペレータは自動的に抽出され、レイン層とクリーンなバックグラウンド層の両方の特徴を忠実に特徴付けることができる。
論文 参考訳（メタデータ） (2020-05-04T09:13:25Z) - Multi-Scale Progressive Fusion Network for Single Image Deraining [84.0466298828417]
空気中の雨のストリークは、位置からカメラまでの距離が異なるため、様々なぼやけた度合いや解像度で現れる。
同様の降雨パターンは、雨像やマルチスケール(またはマルチレゾリューション)バージョンで見ることができる。
本研究では,入力画像のスケールと階層的な深部特徴の観点から,雨天のマルチスケール協調表現について検討する。
論文 参考訳（メタデータ） (2020-03-24T17:22:37Z)
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。