論文の概要: RestoreX-AI: A Contrastive Approach towards Guiding Image Restoration via Explainable AI Systems

• arxiv url: http://arxiv.org/abs/2204.01719v1
• Date: Sun, 3 Apr 2022 12:45:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 04:27:45.030957
• Title: RestoreX-AI: A Contrastive Approach towards Guiding Image Restoration via Explainable AI Systems
• Title（参考訳）: RestoreX-AI: 説明可能なAIシステムによる画像復元のための対照的なアプローチ
• Authors: Aboli Marathe, Pushkar Jain, Rahee Walambe, Ketan Kotecha
• Abstract要約: 気象汚染は物体の検知可能性を妨げ、ナビゲーションと信頼性に深刻な脅威をもたらす可能性がある。 本稿では,修復モデルによる画像の評価とポストトレーニングによる画像の評価により,この問題の緩和に向けた対照的なアプローチを提案する。 気象条件下での入力画像と復元画像の間に平均178%のmAP増加が達成された。
• 参考スコア（独自算出の注目度）: 8.430502131775722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern applications such as self-driving cars and drones rely heavily upon robust object detection techniques. However, weather corruptions can hinder the object detectability and pose a serious threat to their navigation and reliability. Thus, there is a need for efficient denoising, deraining, and restoration techniques. Generative adversarial networks and transformers have been widely adopted for image restoration. However, the training of these methods is often unstable and time-consuming. Furthermore, when used for object detection (OD), the output images generated by these methods may provide unsatisfactory results despite image clarity. In this work, we propose a contrastive approach towards mitigating this problem, by evaluating images generated by restoration models during and post training. This approach leverages OD scores combined with attention maps for predicting the usefulness of restored images for the OD task. We conduct experiments using two novel use-cases of conditional GANs and two transformer methods that probe the robustness of the proposed approach on multi-weather corruptions in the OD task. Our approach achieves an averaged 178 percent increase in mAP between the input and restored images under adverse weather conditions like dust tornadoes and snowfall. We report unique cases where greater denoising does not improve OD performance and conversely where noisy generated images demonstrate good results. We conclude the need for explainability frameworks to bridge the gap between human and machine perception, especially in the context of robust object detection for autonomous vehicles.
• Abstract（参考訳）: 自動運転車やドローンのような現代のアプリケーションは、堅牢な物体検出技術に大きく依存している。 しかし、天候の悪化は物体の検出を妨げ、ナビゲーションと信頼性に深刻な脅威をもたらす可能性がある。 したがって, 効率的な脱臭, 脱灰, 修復技術が必要である。 生成的な逆ネットワークとトランスフォーマーは画像復元に広く採用されている。 しかし、これらの方法の訓練は不安定で時間を要することが多い。 さらに、オブジェクト検出(OD)に使用する場合、これらの方法で生成された出力画像は、画像の明瞭さに関わらず満足できない結果が得られる可能性がある。 本研究では,修復モデルによる画像の評価とポストトレーニングによる画像の評価により,この問題の緩和に向けた対照的なアプローチを提案する。 このアプローチでは、ODタスクに対する復元画像の有用性を予測するために、ODスコアとアテンションマップを組み合わせる。 条件付きganの2つの新しい利用事例と,提案手法のodタスクにおけるマルチウェザー破壊に対するロバスト性を調べるトランスフォーマー法を用いて実験を行った。 ダスト竜巻や降雪などの悪天候条件下では,入力画像と復元画像の間に平均178%のmAP増加が達成された。 より高ノイズ化ではOD性能が向上せず, 逆にノイズ生成画像が良好な結果を示す症例を報告する。 我々は、人間と機械の認識のギャップを埋める説明可能性フレームワークの必要性を、特に自動運転車の堅牢な物体検出の文脈で結論づける。

関連論文リスト

• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
  RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-30T14:49:54Z)
• Anomaly Detection with Conditioned Denoising Diffusion Models [32.37548329437798]
  対象画像に条件付けされた画像再構成のための新しいデノナイズプロセスであるDAD(Denoising Diffusion Anomaly Detection)を導入する。 我々の異常検出フレームワークは条件付け機構を用いており、ターゲット画像が入力画像として設定され、復調過程を導出する。 DDADは、それぞれ(99.8%)および(98.9%)画像レベルのAUROCの最先端結果を達成する。
  論文  参考訳（メタデータ） (2023-05-25T11:54:58Z)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using Denoising Diffusion Probabilistic Models [64.24948495708337]
  大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。 CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。 Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
  論文  参考訳（メタデータ） (2022-08-24T03:13:04Z)
• Adversarially-Aware Robust Object Detector [85.10894272034135]
  本稿では,ロバスト検出器 (RobustDet) を提案する。 本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
  論文  参考訳（メタデータ） (2022-07-13T13:59:59Z)
• Detecting Adversaries, yet Faltering to Noise? Leveraging Conditional Variational AutoEncoders for Adversary Detection in the Presence of Noisy Images [0.7734726150561086]
  条件変分オートエンコーダ(CVAE)は、知覚不能な画像摂動を検出するのに驚くほど優れている。 画像分類ネットワーク上での敵攻撃を検出するために,CVAEを効果的に利用する方法を示す。
  論文  参考訳（メタデータ） (2021-11-28T20:36:27Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Generative Damage Learning for Concrete Aging Detection using Auto-flight Images [0.7612218105739107]
  そこで本研究では,損傷画像から画像間変換マッピングを用いて,健康状態に近似した逆老化偽画像に対する異常検出手法を提案する。 フィールド研究に本手法を適用し, コンクリート損傷の健康モニタリングにおける本手法の有用性について検討した。
  論文  参考訳（メタデータ） (2020-06-27T02:25:12Z)

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。