論文の概要: Light Field Raindrop Removal via 4D Re-sampling
- arxiv url: http://arxiv.org/abs/2205.13165v1
- Date: Thu, 26 May 2022 05:30:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-28 03:56:41.793743
- Title: Light Field Raindrop Removal via 4D Re-sampling
- Title(参考訳): 4次元再サンプリングによる光場雨滴除去
- Authors: Dong Jing, Shuo Zhang, Song Chang, Youfang Lin
- Abstract要約: 光電界雨滴除去(LFRR)は、光電場(LF)の雨滴で隠れた背景領域を復元することを目的としている。
降雨水は、LFの背景よりも大きな相違があるため、降雨水の影響を受けないテクスチャの細部の大部分は、他の視点で見ることができる。
本研究では,入力降雨量LFにおける降雨量フリー領域の相補的画素情報を利用して,新しいLFRRネットワークを提案する。
- 参考スコア(独自算出の注目度): 25.12008345434512
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Light Field Raindrop Removal (LFRR) aims to restore the background areas
obscured by raindrops in the Light Field (LF). Compared with single image, the
LF provides more abundant information by regularly and densely sampling the
scene. Since raindrops have larger disparities than the background in the LF,
the majority of texture details occluded by raindrops are visible in other
views. In this paper, we propose a novel LFRR network by directly utilizing the
complementary pixel information of raindrop-free areas in the input raindrop
LF, which consists of the re-sampling module and the refinement module.
Specifically, the re-sampling module generates a new LF which is less polluted
by raindrops through re-sampling position predictions and the proposed 4D
interpolation. The refinement module improves the restoration of the completely
occluded background areas and corrects the pixel error caused by 4D
interpolation. Furthermore, we carefully build the first real scene LFRR
dataset for model training and validation. Experiments demonstrate that the
proposed method can effectively remove raindrops and achieves state-of-the-art
performance in both background restoration and view consistency maintenance.
- Abstract(参考訳): 光界雨滴除去(LFRR)は、光界(LF)の雨滴によって隠された背景領域を復元することを目的としている。
単一画像と比較すると、LFはシーンを定期的に高密度にサンプリングすることで、より豊富な情報を提供する。
雨滴はlfの背景よりも差が大きいため、雨滴によって引き起こされたテクスチャの詳細の大部分は他の視点で見ることができる。
本稿では,再サンプリングモジュールとリファインメントモジュールからなる入力雨滴LFにおいて,雨滴のない領域の補似画素情報を直接利用して,新しいLFRRネットワークを提案する。
特に、再サンプリングモジュールは、再サンプリング位置予測と提案する4次元補間により雨滴による汚染が少ない新しいlfを生成する。
改良モジュールは、完全に遮蔽された背景領域の復元を改善し、4次元補間による画素誤差を補正する。
さらに、モデルトレーニングと検証のための最初の実シーンLFRRデータセットを慎重に構築する。
実験により,提案手法は雨滴を効果的に除去し,背景復元とビューの一貫性維持の両方において最先端のパフォーマンスを実現することを実証した。
関連論文リスト
- Diffusion-based Light Field Synthesis [50.24624071354433]
LFdiffは、LF合成に適した拡散ベースの生成フレームワークである。
本稿では,遠絡型雑音推定ネットワークDistgUnetを提案する。
広範囲な実験により、LFdiffは視覚的に快く、不均一に制御可能な光電場を合成する際に優れていることが示されている。
論文 参考訳(メタデータ) (2024-02-01T13:13:16Z) - Enhancing Low-light Light Field Images with A Deep Compensation
Unfolding Network [52.77569396659629]
本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。
このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。
本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
論文 参考訳(メタデータ) (2023-08-10T07:53:06Z) - Dual-Pixel Raindrop Removal [12.409678688539868]
雨滴除去対策としてDual-Pixel (DP) センサを用いた最初の手法を提案する。
我々の重要な観察は、ガラス窓に取り付けられた雨滴が、DPの左半減と右半減の画像に顕著な相違をもたらすことである。
本稿では,DP雨滴検出とDP溶雨滴除去からなるDP雨滴除去ネットワーク(DPRRN)を提案する。
論文 参考訳(メタデータ) (2022-10-24T15:20:42Z) - CLONeR: Camera-Lidar Fusion for Occupancy Grid-aided Neural
Representations [77.90883737693325]
本稿では,スパース入力センサビューから観測される大規模な屋外運転シーンをモデル化することで,NeRFを大幅に改善するCLONeRを提案する。
これは、NeRFフレームワーク内の占有率と色学習を、それぞれLiDARとカメラデータを用いてトレーニングされた個別のMulti-Layer Perceptron(MLP)に分離することで実現される。
さらに,NeRFモデルと平行に3D Occupancy Grid Maps(OGM)を構築する手法を提案し,この占有グリッドを利用して距離空間のレンダリングのために線に沿った点のサンプリングを改善する。
論文 参考訳(メタデータ) (2022-09-02T17:44:50Z) - PDRF: Progressively Deblurring Radiance Field for Fast and Robust Scene
Reconstruction from Blurry Images [75.87721926918874]
PDRF(Progressive Deblurring Radiance Field)について報告する。
PDRFは、ぼやけた画像から高品質な放射場を効率的に再構成する新しい手法である。
PDRF は以前の State-of-The-Art シーン再構成手法よりも15倍高速であることを示す。
論文 参考訳(メタデータ) (2022-08-17T03:42:29Z) - 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) - Feature-Aligned Video Raindrop Removal with Temporal Constraints [68.49161092870224]
雨滴除去は、単一画像とビデオの両方において困難である。
熱帯雨林とは異なり、雨滴は複数のフレームで同じ地域を覆う傾向にある。
本手法では,2段階の降雨量除去手法を用いる。
論文 参考訳(メタデータ) (2022-05-29T05:42:14Z) - 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) - R2L: Distilling Neural Radiance Field to Neural Light Field for
Efficient Novel View Synthesis [76.07010495581535]
一つのピクセルをレンダリングするには、数百回もNeural Radiance Fieldネットワークに問い合わせる必要がある。
NeLFは、新しい視点において、NeRFに対してより直接的な表現を提示する。
ディープNeLFネットワークをうまく学習する鍵は、十分なデータを持つことである。
論文 参考訳(メタデータ) (2022-03-31T17:57:05Z)
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。