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

• 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)
• Mesh2NeRF: Direct Mesh Supervision for Neural Radiance Field Representation and Generation [51.346733271166926]
  Mesh2NeRFは、3次元生成タスクのためのテクスチャメッシュから地上構造放射場を導出するアプローチである。 各種タスクにおけるMesh2NeRFの有効性を検証する。
  論文  参考訳（メタデータ） (2024-03-28T11:22:53Z)
• 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 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)
• 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)
• 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)

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。