論文の概要: Multi-scale Attentive Image De-raining Networks via Neural Architecture
Search
- arxiv url: http://arxiv.org/abs/2207.00728v3
- Date: Tue, 4 Apr 2023 12:41:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 19:03:38.201051
- Title: Multi-scale Attentive Image De-raining Networks via Neural Architecture
Search
- Title(参考訳): ニューラルネットワークによるマルチスケール注意画像デライニングネットワーク
- Authors: Lei Cai, Yuli Fu, Wanliang Huo, Youjun Xiang, Tao Zhu, Ying Zhang,
Huanqiang Zeng and Delu Zeng
- Abstract要約: 我々は,画像デラリニングのための高性能なマルチスケール注意型ニューラルネットワーク探索(MANAS)フレームワークを開発した。
提案手法は,画像デライニング作業に好適な複数のフレキシブルモジュールを備えた,新しいマルチスケールアテンション検索空間を定式化する。
ディライニングネットワークの内部マルチスケール注意アーキテクチャは、勾配に基づく探索アルゴリズムによって自動的に探索される。
- 参考スコア(独自算出の注目度): 23.53770663034919
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-scale architectures and attention modules have shown effectiveness in
many deep learning-based image de-raining methods. However, manually designing
and integrating these two components into a neural network requires a bulk of
labor and extensive expertise. In this article, a high-performance multi-scale
attentive neural architecture search (MANAS) framework is technically developed
for image deraining. The proposed method formulates a new multi-scale attention
search space with multiple flexible modules that are favorite to the image
de-raining task. Under the search space, multi-scale attentive cells are built,
which are further used to construct a powerful image de-raining network. The
internal multiscale attentive architecture of the de-raining network is
searched automatically through a gradient-based search algorithm, which avoids
the daunting procedure of the manual design to some extent. Moreover, in order
to obtain a robust image de-raining model, a practical and effective
multi-to-one training strategy is also presented to allow the de-raining
network to get sufficient background information from multiple rainy images
with the same background scene, and meanwhile, multiple loss functions
including external loss, internal loss, architecture regularization loss, and
model complexity loss are jointly optimized to achieve robust de-raining
performance and controllable model complexity. Extensive experimental results
on both synthetic and realistic rainy images, as well as the down-stream vision
applications (i.e., objection detection and segmentation) consistently
demonstrate the superiority of our proposed method. The code is publicly
available at https://github.com/lcai-gz/MANAS.
- Abstract(参考訳): マルチスケールアーキテクチャとアテンションモジュールは、多くの深層学習に基づく画像デレイニング手法において有効性を示している。
しかし、これらの2つのコンポーネントをニューラルネットワークに手動で設計し、統合するには、膨大な労力と幅広い専門知識が必要です。
本稿では,画像デレーシングのために,高性能なマルチスケールニューラルネットワーク検索(manas)フレームワークを開発した。
提案手法は,画像デレイティングタスクに好適な複数のフレキシブルモジュールを用いた,新しいマルチスケールアテンション検索空間を定式化する。
探索空間下では、マルチスケールの減衰セルが構築され、強力な画像デレイニングネットワークの構築にさらに使用される。
ディライニングネットワークの内部のマルチスケール注意アーキテクチャは、手動設計の煩わしい手順をある程度回避する勾配に基づく探索アルゴリズムによって自動的に探索される。
Moreover, in order to obtain a robust image de-raining model, a practical and effective multi-to-one training strategy is also presented to allow the de-raining network to get sufficient background information from multiple rainy images with the same background scene, and meanwhile, multiple loss functions including external loss, internal loss, architecture regularization loss, and model complexity loss are jointly optimized to achieve robust de-raining performance and controllable model complexity.
合成および現実的な降雨画像および下流視覚応用(すなわち、対物検出とセグメンテーション)に関する大規模な実験結果は、提案手法の優位性を一貫して示している。
コードはhttps://github.com/lcai-gz/MANASで公開されている。
関連論文リスト
- Real-Time Image Segmentation via Hybrid Convolutional-Transformer Architecture Search [49.81353382211113]
マルチヘッド自己認識を高分解能表現CNNに効率的に組み込むという課題に対処する。
本稿では,高解像度機能の利点をフル活用したマルチターゲットマルチブランチ・スーパーネット手法を提案する。
本稿では,Hybrid Convolutional-Transformer Architecture Search (HyCTAS)法を用いて,軽量畳み込み層とメモリ効率のよい自己保持層を最適に組み合わせたモデルを提案する。
論文 参考訳(メタデータ) (2024-03-15T15:47:54Z) - 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) - Online-updated High-order Collaborative Networks for Single Image
Deraining [51.22694467126883]
単一画像のデライン化は、ビデオ監視や自動運転システムなど、下流の人工知能アプリケーションにとって重要なタスクである。
マルチスケールのコンパクトな制約と双方向のスケール・コンテント類似性マイニングモジュールを備えた高階協調ネットワークを提案する。
提案手法は,5つの公開合成と1つの実世界のデータセットに対して,11の最先端手法に対して好意的に機能する。
論文 参考訳(メタデータ) (2022-02-14T09:09:08Z) - Triple-level Model Inferred Collaborative Network Architecture for Video
Deraining [43.06607185181434]
我々は,協調最適化と自動探索機構を用いてネットワークアーキテクチャを推定するモデル誘導三段階最適化フレームワークを開発した。
我々のモデルは、最先端の作業よりも忠実度と時間的一貫性が著しく向上したことを示している。
論文 参考訳(メタデータ) (2021-11-08T13:09:00Z) - MCGKT-Net: Multi-level Context Gating Knowledge Transfer Network for
Single Image Deraining [4.8609514458349095]
本研究では, 掘削性能向上のための新しいMCGKT-Netを提案する。
自然界の多スケール学習フレームワークであり、雨天のマルチスケール属性を探索することができる。
3つのベンチマークデータセットの実験は、最先端の手法と比較して印象的なパフォーマンスを示している。
論文 参考訳(メタデータ) (2020-10-19T06:21:07Z) - NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。
我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。
既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文 参考訳(メタデータ) (2020-08-26T17:59:36Z) - A Model-driven Deep Neural Network for Single Image Rain Removal [52.787356046951494]
完全解釈可能なネットワーク構造を持つモデル駆動型ディープニューラルネットワークを提案する。
雨を表現するための畳み込み辞書学習機構に基づいて,新しい単一画像デレーニングモデルを提案する。
すべてのレインカーネルとオペレータは自動的に抽出され、レイン層とクリーンなバックグラウンド層の両方の特徴を忠実に特徴付けることができる。
論文 参考訳(メタデータ) (2020-05-04T09:13:25Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳(メタデータ) (2020-04-30T03:23:45Z) - Multi-Task Learning Enhanced Single Image De-Raining [9.207797392774465]
画像の降雨除去はコンピュータビジョンにおいて重要な課題であり、より多くの人々の注目を集めている。
本稿では,1枚の画像からレインストリークの視覚効果を除去する非自明な問題に対処する。
本手法は,降雨除去のためのマルチタスク回帰モデルにおいて,様々な意味制約タスクを組み合わさったものである。
論文 参考訳(メタデータ) (2020-03-21T16:19:56Z)
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。