論文の概要: QSAM-Net: Rain streak removal by quaternion neural network with
self-attention module
- arxiv url: http://arxiv.org/abs/2208.04346v1
- Date: Mon, 8 Aug 2022 18:09:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-10 12:40:55.385892
- Title: QSAM-Net: Rain streak removal by quaternion neural network with
self-attention module
- Title(参考訳): QSAM-Net:自己保持モジュールを用いた四元系ニューラルネットワークによる降雨ストリーク除去
- Authors: Vladimir Frants, Sos Agaian, Karen Panetta
- Abstract要約: リモートセンシング、画像またはビデオ検索、屋外監視における現実世界のアプリケーションで撮影された画像は、悪天候によって引き起こされる劣化した品質に悩まされる。
雨や霧のような条件は、視覚分析を困難にし、ハイレベルなコンピュータビジョン手法の性能を制限する人工物を導入します。
本稿は,QSAM-Netと呼ばれる自己アテンションモジュールを用いて,雨害を除去する新しい4段階多段階ニューラルネットワークを開発することを目的とする。
- 参考スコア(独自算出の注目度): 3.8781057504896563
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Images captured in real-world applications in remote sensing, image or video
retrieval, and outdoor surveillance suffer degraded quality introduced by poor
weather conditions. Conditions such as rain and mist, introduce artifacts that
make visual analysis challenging and limit the performance of high-level
computer vision methods. For time-critical applications where a rapid response
is necessary, it becomes crucial to develop algorithms that automatically
remove rain, without diminishing the quality of the image contents. This
article aims to develop a novel quaternion multi-stage multiscale neural
network with a self-attention module called QSAM-Net to remove rain streaks.
The novelty of this algorithm is that it requires significantly fewer
parameters by a factor of 3.98, over prior methods, while improving visual
quality. This is demonstrated by the extensive evaluation and benchmarking on
synthetic and real-world rainy images. This feature of QSAM-Net makes the
network suitable for implementation on edge devices and applications requiring
near real-time performance. The experiments demonstrate that by improving the
visual quality of images. In addition, object detection accuracy and training
speed are also improved.
- Abstract(参考訳): リモートセンシング、画像またはビデオ検索、屋外監視といった実世界のアプリケーションで撮影された画像は、悪天候によってもたらされる品質低下に苦しむ。
雨や霧などの条件は、視覚分析を困難にし、高レベルのコンピュータビジョン手法の性能を制限する人工物を導入する。
迅速な応答が必要な時間クリティカルなアプリケーションでは、画像コンテンツの品質を損なうことなく、雨を自動的に除去するアルゴリズムを開発することが重要になる。
本稿は,QSAM-Netと呼ばれる自己アテンションモジュールを用いた4段階多段階ニューラルネットワークを開発し,雨害を取り除くことを目的とする。
このアルゴリズムの新規性は、視覚的品質を改善しつつ、以前の手法よりも3.98倍のパラメータを必要とすることである。
これは、合成および現実世界の雨画像の広範な評価とベンチマークによって示される。
QSAM-Netのこの機能は、エッジデバイスやほぼリアルタイムのパフォーマンスを必要とするアプリケーションの実装に適したネットワークを提供する。
実験により、画像の視覚品質が向上することを示した。
また、オブジェクト検出精度やトレーニング速度も向上している。
関連論文リスト
- NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative
Learning for Dynamic Driving Scenes [52.904913650645796]
夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。
雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。
雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
論文 参考訳(メタデータ) (2024-02-28T09:02:33Z) - 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) - ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural
Rendering [83.75284107397003]
本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。
本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。
マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2023-05-03T13:24:06Z) - Single Image Deraining via Feature-based Deep Convolutional Neural
Network [13.39233717329633]
データ駆動型アプローチとモデルベースアプローチを組み合わせた,単一画像デラミニングアルゴリズムを提案する。
実験の結果,提案アルゴリズムは質的,定量的両面で最先端の手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-05-03T13:12:51Z) - Potential Auto-driving Threat: Universal Rain-removal Attack [4.295658028319317]
本稿では,画像雨量除去アルゴリズムの脆弱性に対する共通雨量除去攻撃(URA)を提案する。
URAはシーン修復能力を39.5%削減し、画像生成品質を26.4%削減した。
URAは、画像雨除去アルゴリズムの脆弱性検出にとって重要なツールであると考えられる。
論文 参考訳(メタデータ) (2022-11-18T00:35:05Z) - Robustifying the Multi-Scale Representation of Neural Radiance Fields [86.69338893753886]
実世界の画像の両問題を克服するために,頑健なマルチスケールニューラルラジアンス場表現手法を提案する。
提案手法は,NeRFにインスパイアされたアプローチを用いて,マルチスケール画像効果とカメラ位置推定問題に対処する。
例えば、日常的に取得したマルチビュー画像からオブジェクトの正確な神経表現を行うためには、カメラの正確な位置推定が不可欠であることを示す。
論文 参考訳(メタデータ) (2022-10-09T11:46:45Z) - 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) - LCA-Net: Light Convolutional Autoencoder for Image Dehazing [1.433758865948252]
画像のデハジングは、画像の視覚的魅力を改善するために、ヘイズによって生じる不整合ノイズを取り除くために重要な画像前処理タスクである。
提案する汎用モデルは,大気モデルに依存しない非常に軽量な畳み込みエンコーダ・デコーダネットワークを用いている。
このネットワークは、画像品質の面で最先端の手法に匹敵する、いくつかの標準データセットにおいて、より高速に最適なデハージング性能を達成する。
論文 参考訳(メタデータ) (2020-08-24T11:20:52Z) - 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) - Physical Model Guided Deep Image Deraining [10.14977592107907]
降雨画像の劣化により、多くのコンピュータビジョンシステムが動作しないため、単一画像のデライン化は緊急の課題である。
本研究では, 物理モデルを用いた単一画像デライニングのための新しいネットワークを提案する。
論文 参考訳(メタデータ) (2020-03-30T07:08:13Z)
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。