論文の概要: Towards Ground Truth for Single Image Deraining
- arxiv url: http://arxiv.org/abs/2206.10779v1
- Date: Wed, 22 Jun 2022 00:10:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 15:38:40.588134
- Title: Towards Ground Truth for Single Image Deraining
- Title(参考訳): 単一画像レーディングの基盤的真実に向けて
- Authors: Yunhao Ba, Howard Zhang, Ethan Yang, Akira Suzuki, Arnold Pfahnl,
Chethan Chinder Chandrappa, Celso de Melo, Suya You, Stefano Soatto, Alex
Wong, Achuta Kadambi
- Abstract要約: 実世界の雨天とクリーンなイメージペアの大規模データセットを提案する。
雨天と清潔な画像の間の雨変量損失を最小限に抑えて、基盤となるシーンを再構築するディープニューラルネットワークを提案する。
本モデルでは, 種々の条件下での実際の降雨画像において, 最先端のデレーニング手法よりも優れた性能を示すことができる。
- 参考スコア(独自算出の注目度): 45.50400293855075
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a large-scale dataset of real-world rainy and clean image pairs
and a method to remove degradations, induced by rain streaks and rain
accumulation, from the image. As there exists no real-world dataset for
deraining, current state-of-the-art methods rely on synthetic data and thus are
limited by the sim2real domain gap; moreover, rigorous evaluation remains a
challenge due to the absence of a real paired dataset. We fill this gap by
collecting the first real paired deraining dataset through meticulous control
of non-rain variations. Our dataset enables paired training and quantitative
evaluation for diverse real-world rain phenomena (e.g. rain streaks and rain
accumulation). To learn a representation invariant to rain phenomena, we
propose a deep neural network that reconstructs the underlying scene by
minimizing a rain-invariant loss between rainy and clean images. Extensive
experiments demonstrate that the proposed dataset benefits existing derainers,
and our model can outperform the state-of-the-art deraining methods on real
rainy images under various conditions.
- Abstract(参考訳): 本研究では,実際の降雨量とクリーンなイメージペアの大規模データセットと,降雨量と降雨量による劣化を画像から除去する方法を提案する。
現在の最先端の手法は合成データに依存しているため、sim2realドメインギャップが制限されているため、実際のデータがないため、厳格な評価は課題となっている。
このギャップを埋めるために,非rain変異の細心の注意による制御を通じて,第1の真のペアレーディングデータセットを収集する。
本データセットは,多種多様な降雨現象(降雨量,降雨量など)のペアトレーニングと定量的評価を可能にする。
雨現象に不変な表現を学習するために,雨画像とクリーン画像の間の雨不変損失を最小化することにより,基盤となるシーンを再構成するディープニューラルネットワークを提案する。
大規模実験により,提案手法が既存のデライナーに有益であることを実証し,種々の条件下での実際の雨画像のデリーニング手法を上回ることができることを示した。
関連論文リスト
- TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。
その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。
提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
論文 参考訳(メタデータ) (2024-03-15T03:27:39Z) - TPSeNCE: Towards Artifact-Free Realistic Rain Generation for Deraining
and Object Detection in Rain [23.050711662981655]
本稿では,現実的な降雨画像を生成するための画像間翻訳フレームワークを提案する。
まず, 三角確率類似性制約を導入し, 判別器多様体の鮮明で雨の多い画像に向けて生成した画像を誘導する。
実験では、最小限のアーチファクトと歪みで現実的な雨の発生を実証し、雨中の画像の劣化と物体の検出に有効である。
論文 参考訳(メタデータ) (2023-11-01T17:08:26Z) - Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。
安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。
また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
論文 参考訳(メタデータ) (2023-01-23T13:34:01Z) - Toward Real-world Single Image Deraining: A New Benchmark and Beyond [79.5893880599847]
現実シナリオにおけるSID(Single Image deraining)は近年注目されている。
以前の実際のデータセットは、低解像度の画像、均一な雨のストリーク、背景の変化の制限、イメージペアの誤調整に悩まされていた。
我々はRealRain-1kという新しい高品質のデータセットを構築した。
論文 参考訳(メタデータ) (2022-06-11T12:26:59Z) - 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) - 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) - Rainy screens: Collecting rainy datasets, indoors [19.71705192452036]
本稿では,既存の地中構造画像から多彩な降雨画像を生成するための簡易な手法を提案する。
この設定により、既存のデータセットの多様性をタスク基底データで活用できます。
都市景観とBDDに基づく降雨量と降雨量と実際の付着液滴を用いた降雨画像を生成し,デライニングモデルを訓練する。
論文 参考訳(メタデータ) (2020-03-10T13:57:37Z) - 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。