論文の概要: Semi-DRDNet Semi-supervised Detail-recovery Image Deraining Network via Unpaired Contrastive Learning

• arxiv url: http://arxiv.org/abs/2204.02772v1
• Date: Wed, 6 Apr 2022 12:35:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 14:04:46.946042
• Title: Semi-DRDNet Semi-supervised Detail-recovery Image Deraining Network via Unpaired Contrastive Learning
• Title（参考訳）: Unpaired Contrastive Learningによる半DRDNet半教師付きDetail-Recovery Image Deraining Network
• Authors: Yiyang Shen, Sen Deng, Wenhan Yang, Mingqiang Wei, Haoran Xie, XiaoPing Zhang, Jing Qin, Meng Wang
• Abstract要約: 半教師付き詳細復元画像デラミニングネットワーク(セミDRDNet)を提案する。 半教師付き学習パラダイムとして、Semi-DRDNetは、強靭性と詳細な精度を犠牲にして、合成データと実世界の降雨データの両方を円滑に運用する。
• 参考スコア（独自算出の注目度）: 59.22620253308322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The intricacy of rainy image contents often leads cutting-edge deraining models to image degradation including remnant rain, wrongly-removed details, and distorted appearance. Such degradation is further exacerbated when applying the models trained on synthetic data to real-world rainy images. We raise an intriguing question -- if leveraging both accessible unpaired clean/rainy yet real-world images and additional detail repair guidance, can improve the generalization ability of a deraining model? To answer it, we propose a semi-supervised detail-recovery image deraining network (termed as Semi-DRDNet). Semi-DRDNet consists of three branches: 1) for removing rain streaks without remnants, we present a \textit{squeeze-and-excitation} (SE)-based rain residual network; 2) for encouraging the lost details to return, we construct a \textit{structure detail context aggregation} (SDCAB)-based detail repair network; to our knowledge, this is the first time; and 3) for bridging the domain gap, we develop a novel contrastive regularization network to learn from unpaired positive (clean) and negative (rainy) yet real-world images. As a semi-supervised learning paradigm, Semi-DRDNet operates smoothly on both synthetic and real-world rainy data in terms of deraining robustness and detail accuracy. Comparisons on four datasets show clear visual and numerical improvements of our Semi-DRDNet over thirteen state-of-the-arts.
• Abstract（参考訳）: 雨画像内容の複雑さは, 残雨, 細部ずれ, 外観のゆがみなどの画像劣化を, 最先端の流出モデルに導くことが多い。 このような劣化は、合成データで訓練されたモデルを現実世界の雨画像に適用する場合、さらに悪化する。 アクセシビリティのないクリーン/レイニーな実世界のイメージと、追加の詳細な修復ガイダンスの両方を活用することで、デラリニングモデルの一般化能力を向上させることができるのか? そこで本研究では,半教師付き詳細復元画像デラインネットワーク(Semi-DRDNet)を提案する。 Semi-DRDNetは3つのブランチで構成される。 1)残余のない雨害を除去するためには,<textit{squeeze-and-excitation} (SE) に基づく雨残留ネットワークを提示する。 2) 失われた詳細の返却を促すために, \textit{structure detail context aggregation} (sdcab) ベースの詳細修復ネットワークを構築します。 3) 領域ギャップを埋めるために, 未完成の正(クリーン)と負(レイニー)の実際の画像から学ぶための, 対照的な正則化ネットワークを開発する。 半教師付き学習パラダイムとして、セミドルドネットは合成データと現実世界の雨データの両方においてロバスト性と詳細精度の点でスムーズに動作する。 4つのデータセットを比較すると、Semi-DRDNetは13以上の最先端技術で視覚的および数値的に改善されている。

関連論文リスト

• RainyScape: Unsupervised Rainy Scene Reconstruction using Decoupled Neural Rendering [50.14860376758962]
  多視点降雨画像の集合からクリーンなシーンを再構築するための教師なしフレームワークであるRainyScapeを提案する。 ニューラルネットワークのスペクトルバイアス特性に基づいて、まずニューラルネットワークのレンダリングパイプラインを最適化し、低周波シーン表現を得る。 我々は2つのモジュールを協調的に最適化し,適応的指向性勾配に基づく再構成損失によって駆動する。
  論文  参考訳（メタデータ） (2024-04-17T14:07:22Z)
• 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)
• From heavy rain removal to detail restoration: A faster and better network [26.60300982543502]
  そこで本研究では,DPENetと呼ばれる2段階進行性拡張ネットワークを導入し,効率的なデラリニングを実現する。 本手法は,雨害除去ネットワーク(R$2$Net)と,無雨画像のテクスチャ的詳細を復元する詳細再構成ネットワーク(DRNet)の2つの重要なモジュールから構成される。
  論文  参考訳（メタデータ） (2022-05-07T04:55:05Z)
• 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)
• RCDNet: An Interpretable Rain Convolutional Dictionary Network for Single Image Deraining [49.99207211126791]
  雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。 RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。 このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
  論文  参考訳（メタデータ） (2021-07-14T16:08:11Z)
• Beyond Monocular Deraining: Parallel Stereo Deraining Network Via Semantic Prior [103.49307603952144]
  ほとんどの既存の脱雨アルゴリズムは単一の入力画像のみを使用し、クリーンな画像の復元を目指しています。 本稿では,ステレオ画像とセマンティック情報の両方を利用するPaired Rain Removal Network(PRRNet)を提案する。 単分子および新たに提案したステレオ降雨データセットの両方の実験により,提案手法が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2021-05-09T04:15:10Z)
• Exploiting Global and Local Attentions for Heavy Rain Removal on Single Images [35.596659286313766]
  単一画像からの豪雨除去は、雨のストレークと霧を同時に排除する作業である。 既存の降雨除去方法は, 大雨の場合, あまり一般的ではない。 3つのサブネットワークからなる新しいネットワークアーキテクチャを提案し、単一の画像から大雨を取り除く。
  論文  参考訳（メタデータ） (2021-04-16T14:08:27Z)
• Physical Model Guided Deep Image Deraining [10.14977592107907]
  降雨画像の劣化により、多くのコンピュータビジョンシステムが動作しないため、単一画像のデライン化は緊急の課題である。 本研究では, 物理モデルを用いた単一画像デライニングのための新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2020-03-30T07:08:13Z)
• Semi-DerainGAN: A New Semi-supervised Single Image Deraining Network [45.78251508028359]
  本稿では,セミデリンGANと呼ばれる,半教師付きGANベースのデラミニングネットワークを提案する。 2つの教師なしおよび教師なしのプロセスを使用して、一様ネットワークで合成画像と実際の雨画像の両方を使用することができる。 そこで我々は,実対と偽対を識別する識別器を設計した。
  論文  参考訳（メタデータ） (2020-01-23T07:01:30Z)

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。