論文の概要: Mutual Learning for Domain Adaptation: Self-distillation Image Dehazing Network with Sample-cycle

• arxiv url: http://arxiv.org/abs/2203.09430v1
• Date: Thu, 17 Mar 2022 16:32:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-18 18:22:09.858704
• Title: Mutual Learning for Domain Adaptation: Self-distillation Image Dehazing Network with Sample-cycle
• Title（参考訳）: ドメイン適応のための相互学習:サンプルサイクルによる自己蒸留画像デハージングネットワーク
• Authors: Tian Ye, Yun Liu, Yunchen Zhang, Sixiang Chen, Erkang Chen
• Abstract要約: ドメイン適応のための相互学習脱ハージングフレームワークを提案する。 具体的には、まず、合成ドメインの教師ネットワークと、実ドメインの学生ネットワークの2つのシアムネットワークを考案する。 この枠組みは, 主観的, 客観的評価の観点から, 最先端の脱ハージング技術より優れていることを示す。
• 参考スコア（独自算出の注目度）: 7.452382358080454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based methods have made significant achievements for image dehazing. However, most of existing dehazing networks are concentrated on training models using simulated hazy images, resulting in generalization performance degradation when applied on real-world hazy images because of domain shift. In this paper, we propose a mutual learning dehazing framework for domain adaption. Specifically, we first devise two siamese networks: a teacher network in the synthetic domain and a student network in the real domain, and then optimize them in a mutual learning manner by leveraging EMA and joint loss. Moreover, we design a sample-cycle strategy based on density augmentation (HDA) module to introduce pseudo real-world image pairs provided by the student network into training for further improving the generalization performance. Extensive experiments on both synthetic and real-world dataset demonstrate that the propose mutual learning framework outperforms state-of-the-art dehazing techniques in terms of subjective and objective evaluation.
• Abstract（参考訳）: 深層学習に基づく手法は、画像のデハージングにおいて大きな成果を上げている。 しかし,既存のデハジングネットワークのほとんどは,模擬ハジング画像を用いたトレーニングモデルに集中しており,ドメインシフトによる実世界のハジング画像に適用した場合の一般化性能劣化が生じる。 本稿では,ドメイン適応のための相互学習型デヘイジングフレームワークを提案する。 具体的には,まず,合成ドメインの教師ネットワークと実ドメインの学生ネットワークの2つのシャムネットワークを考案し,emaと共同損失を利用して相互学習方式で最適化した。 さらに,学生ネットワークが提供する擬似実世界画像ペアをトレーニングに導入し,一般化性能をさらに向上させるために,密度増強(hda)モジュールに基づくサンプルサイクル戦略を設計する。 合成データと実世界のデータセットの両方に関する広範囲な実験により,提案手法が主観的・客観的評価において最先端のデハジング技術を上回ることが示された。

関連論文リスト

• HazeCLIP: Towards Language Guided Real-World Image Dehazing [62.4454483961341]
  既存の手法は、特に合成データセットにおいて、単一画像のデハージングにおいて顕著な性能を達成した。 本稿では,事前学習型デハジングネットワークの性能向上を目的とした言語誘導適応フレームワークHazeCLIPを紹介する。
  論文  参考訳（メタデータ） (2024-07-18T17:18:25Z)
• Teacher-Student Network for Real-World Face Super-Resolution with Progressive Embedding of Edge Information [2.280954956645056]
  実データと合成データの領域ギャップを考慮した,実世界の顔超解像教師学生モデルを提案する。 提案手法は,実世界のFSRにおいて,高品質な顔画像を得るための最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-08T02:48:52Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Uni-Removal: A Semi-Supervised Framework for Simultaneously Addressing Multiple Degradations in Real-World Images [6.3351090376024155]
  Uni-Removalは、現実世界の画像における複数の劣化を取り除くための2段階の半教師付きフレームワークである。 知識伝達の段階では、Uni-Removalは教師付きマルチ教師と学生アーキテクチャを利用する。 ドメイン適応段階では、現実世界の画像に敵判別器を組み込むことにより、教師なしの微調整を行う。
  論文  参考訳（メタデータ） (2023-07-11T07:18:15Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Bridging Synthetic and Real Images: a Transferable and Multiple Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
  画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。 また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
  論文  参考訳（メタデータ） (2023-02-23T06:16:15Z)
• Domain Adaptation for Image Dehazing [72.15994735131835]
  既存のほとんどの方法は、合成ヘイズ画像のデハージングモデルを訓練するが、ドメインシフトによる実際のヘイズ画像の一般化は困難である。 画像変換モジュールと2つの画像デハージングモジュールからなるドメイン適応パラダイムを提案する。 実世界の合成画像と実世界の画像の両方で実験結果から,我々のモデルは最先端の脱ハージングアルゴリズムに対して好適に機能することが示された。
  論文  参考訳（メタデータ） (2020-05-10T13:54:56Z)
• Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
  形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。 ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。 合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-04-01T12:56:13Z)

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。