論文の概要: Uncertainty-Aware Cascaded Dilation Filtering for High-Efficiency Deraining

• arxiv url: http://arxiv.org/abs/2201.02366v1
• Date: Fri, 7 Jan 2022 08:31:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-10 15:39:18.701276
• Title: Uncertainty-Aware Cascaded Dilation Filtering for High-Efficiency Deraining
• Title（参考訳）: 不確実性を考慮した拡張フィルタの高効率化
• Authors: Qing Guo and Jingyang Sun and Felix Juefei-Xu and Lei Ma and Di Lin and Wei Feng and Song Wang
• Abstract要約: レイニングは、雨の日に撮影された画像やビデオから雨の流れや蓄積を取り除くことを目的とした、重要かつ基本的なコンピュータビジョンタスクである。 既存のデラリニング法は通常、雨モデルの仮定を行い、複雑な最適化や、高い回復品質のために反復的な改善を施すことを補完する。 本研究では, 複雑な降雨モデル仮定を伴わない予測フィルタ問題として, 簡易かつ効率的なデライニング法を提案する。
• 参考スコア（独自算出の注目度）: 25.669665033163497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deraining is a significant and fundamental computer vision task, aiming to remove the rain streaks and accumulations in an image or video captured under a rainy day. Existing deraining methods usually make heuristic assumptions of the rain model, which compels them to employ complex optimization or iterative refinement for high recovery quality. This, however, leads to time-consuming methods and affects the effectiveness for addressing rain patterns deviated from from the assumptions. In this paper, we propose a simple yet efficient deraining method by formulating deraining as a predictive filtering problem without complex rain model assumptions. Specifically, we identify spatially-variant predictive filtering (SPFilt) that adaptively predicts proper kernels via a deep network to filter different individual pixels. Since the filtering can be implemented via well-accelerated convolution, our method can be significantly efficient. We further propose the EfDeRain+ that contains three main contributions to address residual rain traces, multi-scale, and diverse rain patterns without harming the efficiency. First, we propose the uncertainty-aware cascaded predictive filtering (UC-PFilt) that can identify the difficulties of reconstructing clean pixels via predicted kernels and remove the residual rain traces effectively. Second, we design the weight-sharing multi-scale dilated filtering (WS-MS-DFilt) to handle multi-scale rain streaks without harming the efficiency. Third, to eliminate the gap across diverse rain patterns, we propose a novel data augmentation method (i.e., RainMix) to train our deep models. By combining all contributions with sophisticated analysis on different variants, our final method outperforms baseline methods on four single-image deraining datasets and one video deraining dataset in terms of both recovery quality and speed.
• Abstract（参考訳）: レージニングは重要なコンピュータビジョンタスクであり、雨の日に撮影された画像やビデオから雨のストレークや蓄積を取り除くことを目的としている。 既存のレーディング手法は通常、雨モデルのヒューリスティックな仮定を定めており、高い回復品質のために複雑な最適化や反復的な改良を強制される。 しかし、これは時間がかかり、仮定から逸脱した雨のパターンに対処する効果に影響を与える。 本稿では,複雑な降雨モデル仮定を伴わない予測フィルタ問題として,デレーニングを定式化して簡易かつ効率的なデレーニング法を提案する。 具体的には、ディープネットワークを介して適切なカーネルを適応的に予測し、異なるピクセルをフィルタリングする空間変化予測フィルタリング(spfilt)を特定する。 フィルタは高速な畳み込みによって実装できるので,本手法は極めて効率的である。 さらに, 残留雨跡, マルチスケール, 多様な降雨パターンに対処する上で, 効率を損なうことなく3つの主要な寄与を含むEfDeRain+を提案する。 まず,不確実性を考慮した予測フィルタ (UC-PFilt) を提案する。 第2に,重み付け型マルチスケール拡張フィルタ (WS-MS-DFilt) を設計し,効率を損なうことなくマルチスケールレインストリークを処理する。 第3に, 多様な降雨パターン間のギャップを解消するために, 深層モデルのトレーニングを行う新しいデータ拡張手法(RainMix)を提案する。 全ての貢献と異なる変種に関する高度な分析を組み合わせることで、最終手法は4つの単一画像デレーニングデータセットと1つのビデオデレーシングデータセットのベースラインメソッドよりも、回復品質と速度の両面で優れています。

関連論文リスト

• RainMamba: Enhanced Locality Learning with State Space Models for Video Deraining [14.025870185802463]
  我々は,シーケンスレベルのローカル情報をよりよくキャプチャするための,新しいヒルベルト機構を備えた改良されたSSMベースのビデオデライニングネットワーク(RainMamba)を提案する。 また,提案したネットワークのパッチレベルの自己相似学習能力を高めるために,差分誘導動的コントラスト学習戦略を導入する。
  論文  参考訳（メタデータ） (2024-07-31T17:48:22Z)
• 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)
• Sparse Sampling Transformer with Uncertainty-Driven Ranking for Unified Removal of Raindrops and Rain Streaks [17.00078021737863]
  実際の世界では、雨による画像劣化は、しばしば雨害と雨滴の組み合わせを示し、それによって根底にあるクリーンなイメージを回復する課題が増大する。 本稿は,グローバルな視点における劣化関係を学習し,モデル化するための,効率的かつ柔軟なメカニズムを提案することを目的とする。
  論文  参考訳（メタデータ） (2023-08-27T16:33:11Z)
• Single Image Deraining via Feature-based Deep Convolutional Neural Network [13.39233717329633]
  データ駆動型アプローチとモデルベースアプローチを組み合わせた,単一画像デラミニングアルゴリズムを提案する。 実験の結果,提案アルゴリズムは質的,定量的両面で最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-05-03T13:12:51Z)
• Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
  本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。 安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。 また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-23T13:34:01Z)
• 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)
• 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)
• EfficientDeRain: Learning Pixel-wise Dilation Filtering for High-Efficiency Single-Image Deraining [29.11278650245332]
  単一像のデレーニングは、未知の降雨モデルのため、かなり難しい。 本稿では,モデルのないデライン法,すなわち効率的なデレイン法を提案する。 10ms(平均約6ms)で雨の画像を処理でき、最先端の手法の80倍以上の速度で処理できる。
  論文  参考訳（メタデータ） (2020-09-19T14:32:50Z)
• 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。