Fugu-MT 論文翻訳(概要): Deep Single Image Deraining using An Asymetric Cycle Generative and Adversarial Framework

論文の概要: Deep Single Image Deraining using An Asymetric Cycle Generative and Adversarial Framework

arxiv url: http://arxiv.org/abs/2202.09635v2
Date: Fri, 19 May 2023 01:59:07 GMT
ステータス: 処理完了
システム内更新日: 2023-05-22 20:12:51.217581
Title: Deep Single Image Deraining using An Asymetric Cycle Generative and Adversarial Framework
Title（参考訳）: asymetric cycle generative and adversarial frameworkを用いた深部単一画像のレーディング
Authors: Wei Liu, Rui Jiang, Cheng Chen, Tao Lu and Zixiang Xiong
Abstract要約: 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。
参考スコア（独自算出の注目度）: 16.59494337699748
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In reality, rain and fog are often present at the same time, which can greatly reduce the clarity and quality of the scene image. However, most unsupervised single image deraining methods mainly focus on rain streak removal by disregarding the fog, which leads to low-quality deraining performance. In addition, the samples are rather homogeneous generated by these methods and lack diversity, resulting in poor results in the face of complex rain scenes. To address the above issues, we propose a novel Asymetric Cycle Generative and Adversarial framework (ACGF) for single image deraining that trains on both synthetic and real rainy images while simultaneously capturing both rain streaks and fog features. ACGF consists of a Rain-fog2Clean (R2C) transformation block and a Clean2Rain-fog (C2R) transformation block. The former consists of parallel rain removal path and rain-fog feature extraction path by the rain and derain-fog network and the attention rain-fog feature extraction network (ARFE) , while the latter only contains a synthetic rain transformation path. In rain-fog feature extraction path, to better characterize the rain-fog fusion feature, we employ an ARFE to exploit the self-similarity of global and local rain-fog information by learning the spatial feature correlations. Moreover, to improve the translational capacity of C2R and the diversity of models, we design a rain-fog feature decoupling and reorganization network (RFDR) by embedding a rainy image degradation model and a mixed discriminator to preserve richer texture details in synthetic rain conversion path. Extensive experiments on benchmark rain-fog and rain datasets show that ACGF outperforms state-of-the-art deraining methods. We also conduct defogging performance evaluation experiments to further demonstrate the effectiveness of ACGF.
Abstract（参考訳）: 実際には、雨と霧はしばしば同時に存在し、シーンイメージの明快さと質を大幅に低下させる可能性がある。しかし, ほとんどは霧を無視して雨害除去に重点を置いているため, 品質の低さに繋がる。さらに、サンプルはこれらの方法によってかなり均質に生成され、多様性が欠如しており、複雑な雨のシーンに直面する結果に乏しい。そこで,本研究では,雨のストレークと霧の特徴を同時に捉えながら,合成画像と実際の雨画像の両方を訓練する単一画像デレーニングのための,新しいアサイメトリサイクル生成・逆行フレームワーク(acgf)を提案する。 ACGFはRain-fog2Clean(R2C)変換ブロックとC2R変換ブロックで構成される。前者は雨・寺院-fogネットワークと注意雨-fog特徴抽出ネットワーク(arfe)による並行雨除去経路と雨-fog特徴抽出経路とからなり、後者は合成雨量変換経路のみを含む。降雨フォグ特徴抽出経路において,降雨フォグ融合特徴をよりよく特徴付けるために,arfeを用いて,降雨フォグ情報と局所降雨フォグ情報の自己相似性を,空間的特徴相関を学習することによって活用する。さらに,C2Rの翻訳能力とモデルの多様性を向上させるため,雨天画像劣化モデルと混合判別器を組み込んだ雨天特徴疎結合再編成ネットワーク(RFDR)を設計し,よりリッチなテクスチャを合成雨天路に保存する。ベンチマークのrain-fogとrain datasetに関する広範囲な実験は、acgfが最先端のデレイン法を上回っていることを示している。また,acgfの有効性をさらに実証するために,性能評価実験を行った。

関連論文リスト

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)
Dual Degradation Representation for Joint Deraining and Low-Light Enhancement in the Dark [57.85378202032541]
暗闇の中での雨は、自律運転や監視システム、夜間写真など、現実世界のアプリケーションをデプロイする上で大きな課題となる。既存の低照度化や除染法は、低照度を明るくし、同時に雨を取り除くのに苦労する。 L$2$RIRNetと呼ばれるエンド・ツー・エンドのモデルを導入する。
論文参考訳（メタデータ） (2023-05-06T10:17:42Z)
Semi-MoreGAN: A New Semi-supervised Generative Adversarial Network for Mixture of Rain Removal [18.04268933542476]
降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水) セミモレGANは、4つの重要なモジュールで構成されている: (I) 正確な深度推定を提供する新しい注意深度予測ネットワーク、 (ii) 詳細な画像コンテキスト特徴を生成するためによく設計された詳細残差ブロックで構成されたコンテキスト特徴予測ネットワーク、 (iii) ピラミッド深度誘導非局所ネットワークにより画像コンテキストを深度情報と有効に統合し、最終雨量のない画像を生成する、 (iv) モデルに制限を加えるための包括的な半教師付き損失関数。
論文参考訳（メタデータ） (2022-04-28T11:35:26Z)
UnfairGAN: An Enhanced Generative Adversarial Network for Raindrop Removal from A Single Image [8.642603456626391]
UnfairGANは、エッジや雨量推定といった事前の高レベル情報を活用することで、デライニング性能を向上させることができる、改良された生成的敵ネットワークである。提案手法は, 定量的な計測値と視覚的品質に関する降雨量について, 従来の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-10-11T18:02:43Z)
Closing the Loop: Joint Rain Generation and Removal via Disentangled Image Translation [12.639320247831181]
我々は、雨の発生と除去は同じ硬貨の両側面であり、密結合であるべきだと主張する。本稿では,各一方向ネットワークが2ループの連雨発生と除去を含む双方向不整合翻訳ネットワークを提案する。人工および実世界の降雨データセットに関する実験は、最先端の雨よりも提案手法の優越性を示している。
論文参考訳（メタデータ） (2021-03-25T08:21:43Z)
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)
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)
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。