論文の概要: Both Style and Fog Matter: Cumulative Domain Adaptation for Semantic Foggy Scene Understanding

• arxiv url: http://arxiv.org/abs/2112.00484v1
• Date: Wed, 1 Dec 2021 13:21:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-02 14:31:57.367669
• Title: Both Style and Fog Matter: Cumulative Domain Adaptation for Semantic Foggy Scene Understanding
• Title（参考訳）: スタイルとファグマター: 意味的Fggyシーン理解のための累積ドメイン適応
• Authors: Xianzheng Ma, Zhixiang Wang, Yacheng Zhan, Yinqiang Zheng, Zheng Wang, Dengxin Dai, Chia-Wen Lin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 63.99301797430936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although considerable progress has been made in semantic scene understanding under clear weather, it is still a tough problem under adverse weather conditions, such as dense fog, due to the uncertainty caused by imperfect observations. Besides, difficulties in collecting and labeling foggy images hinder the progress of this field. Considering the success in semantic scene understanding under clear weather, we think it is reasonable to transfer knowledge learned from clear images to the foggy domain. As such, the problem becomes to bridge the domain gap between clear images and foggy images. Unlike previous methods that mainly focus on closing the domain gap caused by fog -- defogging the foggy images or fogging the clear images, we propose to alleviate the domain gap by considering fog influence and style variation simultaneously. The motivation is based on our finding that the style-related gap and the fog-related gap can be divided and closed respectively, by adding an intermediate domain. Thus, we propose a new pipeline to cumulatively adapt style, fog and the dual-factor (style and fog). Specifically, we devise a unified framework to disentangle the style factor and the fog factor separately, and then the dual-factor from images in different domains. Furthermore, we collaborate the disentanglement of three factors with a novel cumulative loss to thoroughly disentangle these three factors. Our method achieves the state-of-the-art performance on three benchmarks and shows generalization ability in rainy and snowy scenes.
• Abstract（参考訳）: 晴れた天候下での意味的シーン理解では相当な進歩が見られたが、不完全な観測による不確実性のため、濃い霧などの悪天候下ではいまだに困難な問題である。 また、霧画像の収集とラベル付けの難しさは、この分野の進歩を妨げる。 晴れた天候下での意味的シーン理解の成功を考えると、クリアイメージから学んだ知識を霧の領域に移すのが妥当だと思います。 そのため、クリアイメージと霧画像の間のドメインギャップを埋めることが問題となる。 霧による領域ギャップの解消を主眼とする従来の手法とは違い,霧の影響とスタイルの変化を同時に考慮し,領域ギャップを緩和する手法を提案する。 モチベーションは,中間ドメインを追加することにより,スタイル関連ギャップと霧関連ギャップをそれぞれ分割し,閉じることができることに基づく。 そこで本研究では,スタイルやフォグ,ダブルファクタ(スタイルとフォグ)を累積的に適応す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、異なるドメインの画像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。 さらに,新しい累積損失と3つの因子の絡み合いを協調して,これら3つの因子を徹底的に絡み合う。 本手法は,3つのベンチマーク上での最先端性能を実現し,降雪場面における一般化能力を示す。

関連論文リスト

• Distractors-Immune Representation Learning with Cross-modal Contrastive Regularization for Change Captioning [71.14084801851381]
  変更キャプションは、類似した画像間のセマンティックな変化を簡潔に記述することを目的としている。 既存のほとんどの手法は、それらの違いを直接キャプチャし、エラーを起こしやすい特徴を得るリスクを負う。 本稿では,2つの画像表現の対応するチャネルを関連づけるイントラクタ免疫表現学習ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-16T13:00:33Z)
• D2SL: Decouple Defogging and Semantic Learning for Foggy Domain-Adaptive Segmentation [0.8261182037130406]
  そこで我々は,D2SLと呼ばれる新しい学習フレームワークD2SLを提案する。 本稿では,デファッギングタスクとセグメンテーションタスクの接続を確立するためのドメイン一貫性転送戦略を提案する。 実際の霧画像から霧の先行を十分に活用することにより、霧の消火効果を改善するために、実際の霧の移動戦略を設計する。
  論文  参考訳（メタデータ） (2024-04-07T04:55:58Z)
• Be Yourself: Bounded Attention for Multi-Subject Text-to-Image Generation [60.943159830780154]
  本稿では,サンプリングプロセスにおける情報フローをバウンドする訓練不要な手法である境界注意法を紹介する。 提案手法は,与えられたプロンプトとレイアウトの整合性を向上する複数の主題の生成に有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-25T17:52:07Z)
• 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)
• Unsupervised Foggy Scene Understanding via Self Spatial-Temporal Label Diffusion [51.11295961195151]
  運転シーンの霧画像列の特徴を利用して、自信ある擬似ラベルを密度化する。 局所的な空間的類似性と逐次画像データの隣接時間対応の2つの発見に基づいて,新たなターゲット・ドメイン駆動擬似ラベル拡散方式を提案する。 本手法は,2つの天然霧のデータセット上で51.92%,53.84%の平均交叉結合(mIoU)を達成するのに有効である。
  論文  参考訳（メタデータ） (2022-06-10T05:16:50Z)
• FIFO: Learning Fog-invariant Features for Foggy Scene Segmentation [14.932318540666548]
  本稿では,霧に対して頑健なセマンティックセグメンテーションモデルを学習するための新しい手法を提案する。 その鍵となる考え方は、画像の霧条件をそのスタイルとして考慮し、異なる霧条件で画像間のギャップを閉じることである。 本手法は,3つの実際の霧画像データセットにおいて,従来よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2022-04-04T15:33:42Z)
• Unsupervised Deraining: Where Contrastive Learning Meets Self-similarity [0.0]
  教師なし画像デライニングのための新しい非局所コントラスト学習法(NLCL)を提案する。 提案手法は, 実際のデラリニングにおける最先端性能を得る。
  論文  参考訳（メタデータ） (2022-03-22T07:37:08Z)
• Leveraging Scale-Invariance and Uncertainity with Self-Supervised Domain Adaptation for Semantic Segmentation of Foggy Scenes [4.033107207078282]
  FogAdaptは、密集した霧のシーンに対するセマンティックセグメンテーションのドメイン適応のための新しいアプローチである。 FogAdaptは、霧のイメージのセマンティックセグメンテーションにおいて、現在の最先端を著しく上回る。
  論文  参考訳（メタデータ） (2022-01-07T18:29:58Z)
• 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)
• 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)

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。