論文の概要: Unsupervised Deraining: Where Contrastive Learning Meets Self-similarity
- arxiv url: http://arxiv.org/abs/2203.11509v1
- Date: Tue, 22 Mar 2022 07:37:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-24 03:13:12.880963
- Title: Unsupervised Deraining: Where Contrastive Learning Meets Self-similarity
- Title（参考訳）: unsupervised deraining: 対照的な学習が自己相似性を満たす
- Authors: Ye Yuntong, Yu Changfeng, Chang Yi, Zhu Lin, Zhao Xile, Yan Luxin and
Tian Yonghong
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image deraining is a typical low-level image restoration task, which aims at
decomposing the rainy image into two distinguishable layers: the clean image
layer and the rain layer. Most of the existing learning-based deraining methods
are supervisedly trained on synthetic rainy-clean pairs. The domain gap between
the synthetic and real rains makes them less generalized to different real
rainy scenes. Moreover, the existing methods mainly utilize the property of the
two layers independently, while few of them have considered the mutually
exclusive relationship between the two layers. In this work, we propose a novel
non-local contrastive learning (NLCL) method for unsupervised image deraining.
Consequently, we not only utilize the intrinsic self-similarity property within
samples but also the mutually exclusive property between the two layers, so as
to better differ the rain layer from the clean image. Specifically, the
non-local self-similarity image layer patches as the positives are pulled
together and similar rain layer patches as the negatives are pushed away. Thus
the similar positive/negative samples that are close in the original space
benefit us to enrich more discriminative representation. Apart from the
self-similarity sampling strategy, we analyze how to choose an appropriate
feature encoder in NLCL. Extensive experiments on different real rainy datasets
demonstrate that the proposed method obtains state-of-the-art performance in
real deraining.
- Abstract（参考訳）: 画像デライン化は典型的な低レベルの画像復元作業であり、雨像をクリーンな画像層とレイン層という2つの区別可能な層に分解することを目的としている。
既存の学習に基づくデラミニング手法のほとんどは、合成雨とクリーンのペアで指導的に訓練されている。
合成雨と実際の雨のドメインギャップは、異なる実際の雨のシーンへの一般化を弱める。
さらに,既存の手法では,2層間の相互排他的関係を考慮せずに,2層間の特性を独立に利用している。
本研究では,非教師なし画像デライニングのための非局所コントラスト学習(NLCL)手法を提案する。
その結果,試料中の内在的自己相似性を利用するだけでなく,両層間の相互排他的性質を生かして,雨層と清浄な画像とをよりよく区別する。
具体的には、非局所的自己相似性画像層を正にまとめ、負に押して同様の雨層をパッチする。
したがって、元の空間に近い類似の正・負のサンプルは、より差別的な表現を豊かにする。
自己相似性サンプリング戦略とは別に、NLCLにおける適切な特徴エンコーダの選択方法を分析する。
降雨データセットの多種多様な実験により, 提案手法が実際のデレーニングにおける最先端性能を得ることを示す。
関連論文リスト
- TPSeNCE: Towards Artifact-Free Realistic Rain Generation for Deraining
and Object Detection in Rain [23.050711662981655]
本稿では,現実的な降雨画像を生成するための画像間翻訳フレームワークを提案する。
まず, 三角確率類似性制約を導入し, 判別器多様体の鮮明で雨の多い画像に向けて生成した画像を誘導する。
実験では、最小限のアーチファクトと歪みで現実的な雨の発生を実証し、雨中の画像の劣化と物体の検出に有効である。
論文 参考訳（メタデータ） (2023-11-01T17:08:26Z) - Contrastive Learning Based Recursive Dynamic Multi-Scale Network for
Image Deraining [47.764883957379745]
雨のストリークは撮影画像の可視性を著しく低下させる。
既存のディープラーニングベースの画像デライニング手法では、手作業で構築されたネットワークを使用して、雨の降った画像から明確な画像への直接投影を学習する。
本稿では,雨天画像と澄んだ画像との相関関係を考察した,対照的な学習に基づく画像デライニング手法を提案する。
論文 参考訳（メタデータ） (2023-05-29T13:51:41Z) - Unsupervised Deraining: Where Asymmetric Contrastive Learning Meets
Self-similarity [33.188738443097336]
本稿では,各層内の内在的相似性と2層間の排他性について検討する。
教師なし非局所コントラスト学習 (NLCL) デライン法を提案する。
論文 参考訳（メタデータ） (2022-11-02T02:47:20Z) - 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) - Both Style and Fog Matter: Cumulative Domain Adaptation for Semantic
Foggy Scene Understanding [63.99301797430936]
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。
論文 参考訳（メタデータ） (2021-12-01T13:21:20Z) - Unpaired Adversarial Learning for Single Image Deraining with Rain-Space
Contrastive Constraints [61.40893559933964]
我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。
提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
論文 参考訳（メタデータ） (2021-09-07T10:00:45Z) - 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) - Learning to See Through Obstructions with Layered Decomposition [117.77024641706451]
移動画像から不要な障害を取り除くための学習に基づくアプローチを提案する。
本手法は背景要素と閉塞要素の運動差を利用して両方の層を復元する。
本研究では,合成データから得られた提案手法が実画像に対して良好に動作することを示す。
論文 参考訳（メタデータ） (2020-08-11T17:59:31Z) - 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。