論文の概要: From Heavy Rain Removal to Detail Restoration: A Faster and Better
Network
- arxiv url: http://arxiv.org/abs/2205.03553v1
- Date: Sat, 7 May 2022 04:55:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 16:47:52.914793
- Title: From Heavy Rain Removal to Detail Restoration: A Faster and Better
Network
- Title(参考訳): 雨の除去から詳細な復旧まで:より高速で優れたネットワーク
- Authors: Tao Gao, Yuanbo Wen, Jing Zhang, Kaihao Zhang and Ting Chen
- Abstract要約: 本研究では,構造精度の高い降雨画像による効果的なデライン化を実現するために,DPENet(Dual-stage Progress enhancement Network)を提案する。
我々は,ネットワーク内の2つの主要な戦略を導入し,レーダライニングの有効性と降雨のない画像の詳細な復元のトレードオフを実現する。
- 参考スコア(独自算出の注目度): 27.755826700427072
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The dense rain accumulation in heavy rain can significantly wash out images
and thus destroy the background details of images. Although existing deep rain
removal models lead to improved performance for heavy rain removal, we find
that most of them ignore the detail reconstruction accuracy of rain-free
images. In this paper, we propose a dual-stage progressive enhancement network
(DPENet) to achieve effective deraining with structure-accurate rain-free
images. Two main modules are included in our framework, namely a rain streaks
removal network (R$^2$Net) and a detail reconstruction network (DRNet). The
former aims to achieve accurate rain removal, and the latter is designed to
recover the details of rain-free images. We introduce two main strategies
within our networks to achieve trade-off between the effectiveness of deraining
and the detail restoration of rain-free images. Firstly, a dilated dense
residual block (DDRB) within the rain streaks removal network is presented to
aggregate high/low level features of heavy rain. Secondly, an enhanced residual
pixel-wise attention block (ERPAB) within the detail reconstruction network is
designed for context information aggregation. We also propose a comprehensive
loss function to highlight the marginal and regional accuracy of rain-free
images. Extensive experiments on benchmark public datasets show both efficiency
and effectiveness of the proposed method in achieving structure-preserving
rain-free images for heavy rain removal. The source code and pre-trained models
can be found at \url{https://github.com/wybchd/DPENet}.
- Abstract(参考訳): 豪雨で濃厚な雨が蓄積すると、画像は著しく洗い流され、画像の背景の詳細が破壊される。
既存の深層雨除去モデルでは, 大雨除去性能が向上するが, 多くの場合, 無雨画像の詳細な復元精度は無視されている。
本稿では,構造精度の高い降雨画像を用いた効果的なデライニングを実現するために,DPENet(Dual-stage Progress enhancement Network)を提案する。
このフレームワークには,レインストリーク除去ネットワーク (r$^2$net) とディテール再構築ネットワーク (drnet) という2つの主要モジュールが組み込まれている。
前者は正確な雨除去を目指しており、後者は無雨画像の詳細な復元を目的としている。
提案手法は, 流出防止効果と雨のない画像の細部復元とのトレードオフを実現するため, ネットワーク内で2つの戦略を導入する。
まず, 豪雨の高層/低層特性を集約するために, 雨害除去網内の拡張密度残留ブロック (DDRB) を提示する。
第2に、詳細再構成ネットワーク内の強化残像注目ブロック(ERPAB)をコンテキスト情報集約のために設計する。
また,雨のない画像の限界的・地域的精度を強調する総合的損失関数を提案する。
豪雨除去のための構造保存型無雨画像作成における提案手法の有効性と有効性を示した。
ソースコードと事前訓練されたモデルは、 \url{https://github.com/wybchd/DPENet} にある。
関連論文リスト
- 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) - 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) - 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) - Structure-Preserving Deraining with Residue Channel Prior Guidance [33.41254475191555]
多くのハイレベルコンピュータビジョンタスクにおいて、単一画像のデアライニングが重要である。
RCP誘導を用いた構造保存評価ネットワーク(SPDNet)を提案する。
SPDNetは、RCPガイダンスの下で、明瞭で正確な構造を持つ高品質な無雨画像を直接生成する。
論文 参考訳(メタデータ) (2021-08-20T09:09:56Z) - 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) - 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) - Residual Squeeze-and-Excitation Network for Fast Image Deraining [19.48155134126906]
本稿では,高速な画像デライニングのための残差圧縮・励起ネットワークRSENを提案する。
RSENは軽量のエンコーダデコーダアーキテクチャを採用し、1つの段階で雨除去を行う。
論文 参考訳(メタデータ) (2020-06-01T07:17:01Z) - 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。