論文の概要: A comprehensive benchmark analysis for sand dust image reconstruction
- arxiv url: http://arxiv.org/abs/2202.03031v1
- Date: Mon, 7 Feb 2022 09:48:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-08 17:25:34.768693
- Title: A comprehensive benchmark analysis for sand dust image reconstruction
- Title（参考訳）: 砂塵画像再構成のための総合ベンチマーク解析
- Authors: Yazhong Si, Fan Yang, Ya Guo, Wei Zhang and Yipu Yang
- Abstract要約: 本研究では,実世界の砂塵画像の包括的研究と解析を行う。
次に,畳み込みニューラルネットワーク(CNN)を訓練し,アルゴリズムの性能を評価するためのサンダスト画像再構成ベンチマーク(SIRB)を構築した。
- 参考スコア（独自算出の注目度）: 8.792488138233349
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Numerous sand dust image enhancement algorithms have been proposed in recent
years. To our best acknowledge, however, most methods evaluated their
performance with no-reference way using few selected real-world images from
internet. It is unclear how to quantitatively analysis the performance of the
algorithms in a supervised way and how we could gauge the progress in the
field. Moreover, due to the absence of large-scale benchmark datasets, there
are no well-known reports of data-driven based method for sand dust image
enhancement up till now. To advance the development of deep learning-based
algorithms for sand dust image reconstruction, while enabling supervised
objective evaluation of algorithm performance. In this paper, we presented a
comprehensive perceptual study and analysis of real-world sand dust images,
then constructed a Sand-dust Image Reconstruction Benchmark (SIRB) for training
Convolutional Neural Networks (CNNs) and evaluating algorithms performance. In
addition, we adopted the existing image transformation neural network trained
on SIRB as baseline to illustrate the generalization of SIRB for training CNNs.
Finally, we conducted the qualitative and quantitative evaluation to
demonstrate the performance and limitations of the state-of-the-arts (SOTA),
which shed light on future research in sand dust image reconstruction.
- Abstract（参考訳）: 近年,多くの砂塵画像強調アルゴリズムが提案されている。
しかし,ほとんどの手法は,インターネットから選択した実世界の画像を用いて,非参照方式で性能を評価した。
アルゴリズムのパフォーマンスを教師ありの方法で定量的に分析する方法や、この分野の進捗を計測する方法は明らかでない。
さらに、大規模なベンチマークデータセットがないため、これまで砂塵画像強調のためのデータ駆動型手法の報告は知られていない。
アルゴリズム性能の教師付き客観的評価を可能にしつつ、砂塵画像再構成のためのディープラーニングアルゴリズムの開発を進める。
本稿では,実世界の砂塵画像の総合的な知覚研究と解析を行い,畳み込みニューラルネットワーク(cnns)の訓練とアルゴリズム性能評価のための砂塵画像再構成ベンチマーク(sirb)を構築した。
さらに、SIRBをベースラインとしてトレーニングした既存の画像変換ニューラルネットワークを採用し、CNNのトレーニングのためのSIRBの一般化について説明した。
最後に,砂塵画像再構成の今後の研究に光を当てたSOTA(State-of-the-arts)の性能と限界を明らかにするために,定性的かつ定量的な評価を行った。
関連論文リスト
- Ground-based image deconvolution with Swin Transformer UNet [2.41675832913699]
Swin Transformerアーキテクチャを用いた2段階のデコンボリューションフレームワークを提案する。
我々の研究は、ディープラーニングベースのソリューションが、科学的分析の範囲を制限してバイアスをもたらすことを明らかにした。
本稿では,スポーシティウェーブレットフレームワークの活性係数に依存する新しい第3ステップを提案する。
論文 参考訳（メタデータ） (2024-05-13T15:30:41Z) - Stable Deep MRI Reconstruction using Generative Priors [13.400444194036101]
本稿では,参照等級画像のみを生成的設定でトレーニングした,新しいディープニューラルネットワークベース正規化器を提案する。
その結果,最先端のディープラーニング手法に匹敵する競争性能が示された。
論文 参考訳（メタデータ） (2022-10-25T08:34:29Z) - Deep Learning for Material Decomposition in Photon-Counting CT [0.5801044612920815]
そこで本研究では,PCCTにおける材料分解のための新たな深層学習ソリューションを提案する。
提案手法は,最大推定値,変分法,および完全学習ネットワークよりも優れる。
論文 参考訳（メタデータ） (2022-08-05T19:05:16Z) - Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image
Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。
ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。
次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文 参考訳（メタデータ） (2022-07-09T13:35:12Z) - A Bayesian Based Deep Unrolling Algorithm for Single-Photon Lidar
Systems [4.386694688246789]
現実の応用における3次元単光子ライダーイメージングは、高騒音環境におけるイメージングを含む複数の課題に直面している。
統計や学習に基づくフレームワークに基づいて,これらの問題に対処するアルゴリズムが提案されている。
本稿では,統計的ベイズアルゴリズムを単一光子ライダーデータから頑健な画像再構成のための新しいディープラーニングアーキテクチャに展開する。
論文 参考訳（メタデータ） (2022-01-26T12:58:05Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳（メタデータ） (2021-11-23T15:08:26Z) - Deep Unrolled Recovery in Sparse Biological Imaging [62.997667081978825]
ディープ・アルゴリズム・アンローリング(Deep Algorithm Unrolling)は、反復的アルゴリズムの解釈可能性と教師付きディープラーニングの性能向上を組み合わせたディープ・アーキテクチャを開発するためのモデルベースのアプローチである。
この枠組みは生体イメージングの応用に適しており、測定プロセスを記述する物理モデルが存在し、回復すべき情報がしばしば高度に構造化されている。
論文 参考訳（メタデータ） (2021-09-28T20:22:44Z) - NerfingMVS: Guided Optimization of Neural Radiance Fields for Indoor
Multi-view Stereo [97.07453889070574]
本稿では,従来のSfM再構成と学習に基づく先行手法を併用した多視点深度推定手法を提案する。
提案手法は室内シーンにおける最先端手法を著しく上回ることを示す。
論文 参考訳（メタデータ） (2021-09-02T17:54:31Z) - NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。
我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。
既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文 参考訳（メタデータ） (2020-08-26T17:59:36Z) - Image Matching across Wide Baselines: From Paper to Practice [80.9424750998559]
局所的な特徴とロバストな推定アルゴリズムの包括的なベンチマークを導入する。
パイプラインのモジュール構造は、さまざまなメソッドの容易な統合、構成、組み合わせを可能にします。
適切な設定で、古典的な解決策は依然として芸術の知覚された状態を上回る可能性があることを示す。
論文 参考訳（メタデータ） (2020-03-03T15:20:57Z) - Towards Deep Unsupervised SAR Despeckling with Blind-Spot Convolutional
Neural Networks [30.410981386006394]
ディープラーニング技術は、古典的なモデルに基づく非特定アルゴリズムよりも優れています。
本稿では,自己教師型ベイズ解法を提案する。
提案するネットワークの性能は,合成データの教師あり学習手法に非常に近いことを示し,実データ上での競争力を示す。
論文 参考訳（メタデータ） (2020-01-15T12:21:12Z)
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。