論文の概要: Semi-MoreGAN: A New Semi-supervised Generative Adversarial Network for Mixture of Rain Removal

• arxiv url: http://arxiv.org/abs/2204.13420v1
• Date: Thu, 28 Apr 2022 11:35:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-29 13:53:12.371552
• Title: Semi-MoreGAN: A New Semi-supervised Generative Adversarial Network for Mixture of Rain Removal
• Title（参考訳）: Semi-MoreGAN - 降雨除去のための新しい半教師付きジェネレーターネットワーク
• Authors: Yiyang Shen, Yongzhen Wang, Mingqiang Wei, Honghua Chen, Haoran Xie, Gary Cheng, Fu Lee Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.04268933542476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rain is one of the most common weather which can completely degrade the image quality and interfere with the performance of many computer vision tasks, especially under heavy rain conditions. We observe that: (i) rain is a mixture of rain streaks and rainy haze; (ii) the scene depth determines the intensity of rain streaks and the transformation into the rainy haze; (iii) most existing deraining methods are only trained on synthetic rainy images, and hence generalize poorly to the real-world scenes. Motivated by these observations, we propose a new SEMI-supervised Mixture Of rain REmoval Generative Adversarial Network (Semi-MoreGAN), which consists of four key modules: (I) a novel attentional depth prediction network to provide precise depth estimation; (ii) a context feature prediction network composed of several well-designed detailed residual blocks to produce detailed image context features; (iii) a pyramid depth-guided non-local network to effectively integrate the image context with the depth information, and produce the final rain-free images; and (iv) a comprehensive semi-supervised loss function to make the model not limited to synthetic datasets but generalize smoothly to real-world heavy rainy scenes. Extensive experiments show clear improvements of our approach over twenty representative state-of-the-arts on both synthetic and real-world rainy images.
• Abstract（参考訳）: 雨は画像の品質を完全に低下させ、特に激しい雨条件下で多くのコンピュータビジョンタスクのパフォーマンスを阻害する最も一般的な天候の1つである。 私たちはそれを観察します (i)雨は雨のストレークと雨の煙の混合物である。 (ii)シーンの深さは、雨のストレークの強度と雨の風への変化を決定づける。 (三)既存のデリーニングの手法は、雨の合成画像のみを訓練しており、現実の場面によく当てはまらない。 本研究の目的は,4つのモジュールから構成されるSEMI制御型降雨予測ネットワーク (Semi-MoreGAN) を提案することである: (I) 正確な深度推定を行うための新しい注意深度予測ネットワーク。 (ii) 詳細な画像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からなる文脈特徴予測ネットワーク (iii)ピラミッド奥行き誘導非ローカルネットワークで、画像コンテキストと奥行き情報とを効果的に統合し、最終雨のない画像を作成すること。 (iv)合成データセットに限らず、現実世界の豪雨シーンにスムーズに一般化するための包括的半教師付き損失関数。 大規模な実験により,合成雨と実世界の降雨の両面において,20件の最先端技術に対するアプローチが明らかに改善された。

関連論文リスト

• MDeRainNet: An Efficient Neural Network for Rain Streak Removal from Macro-pixel Images [44.83349966064718]
  我々は,LF画像から降雨ストリーク除去を行うために,MDeRainNetと呼ばれる効率的なネットワークを提案する。 提案するネットワークはマルチスケールエンコーダデコーダアーキテクチャを採用し, 直接マクロピクセル画像(MPI)を用いて降雨除去性能を向上する。 そこで本研究では,MDeRainNetのための新しい半教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-15T14:47:02Z)
• 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)
• Rain Removal from Light Field Images with 4D Convolution and Multi-scale Gaussian Process [38.2995970847287]
  1枚の入力画像だけでは、正確に雨害を検出し、雨害を除去し、無雨画像を復元することは極めて困難である。 単一の2次元画像と比較すると、光場画像(LFI)は、対象シーンの豊富な3次元構造とテクスチャ情報を埋め込む。 そこで我々は,LFIから降雨ストリーク除去のための新しいネットワークである4D-MGP-SRRNetを提案する。
  論文  参考訳（メタデータ） (2022-08-16T13:09:53Z)
• Semi-DRDNet Semi-supervised Detail-recovery Image Deraining Network via Unpaired Contrastive Learning [59.22620253308322]
  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。
  論文  参考訳（メタデータ） (2022-04-06T12:35:27Z)
• 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)
• 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)
• 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)

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。