論文の概要: Improved Multiple-Image-Based Reflection Removal Algorithm Using Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2208.04679v2
• Date: Wed, 10 Aug 2022 03:17:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-11 09:10:52.175322
• Title: Improved Multiple-Image-Based Reflection Removal Algorithm Using Deep Neural Networks
• Title（参考訳）: 深部ニューラルネットワークを用いた多重画像に基づく反射除去アルゴリズムの改良
• Authors: Tingtian Li, Yuk-Hee Chan, Daniel P. K. Lun
• Abstract要約: 別のシーンの反射は、ガラスのような半反射媒質によく見られる。 本稿では,イメージングにおける反射問題を解くための新しいディープニューラルネットワーク手法を提案する。
• 参考スコア（独自算出の注目度）: 13.16514846876752
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When imaging through a semi-reflective medium such as glass, the reflection of another scene can often be found in the captured images. It degrades the quality of the images and affects their subsequent analyses. In this paper, a novel deep neural network approach for solving the reflection problem in imaging is presented. Traditional reflection removal methods not only require long computation time for solving different optimization functions, their performance is also not guaranteed. As array cameras are readily available in nowadays imaging devices, we first suggest in this paper a multiple-image based depth estimation method using a convolutional neural network (CNN). The proposed network avoids the depth ambiguity problem due to the reflection in the image, and directly estimates the depths along the image edges. They are then used to classify the edges as belonging to the background or reflection. Since edges having similar depth values are error prone in the classification, they are removed from the reflection removal process. We suggest a generative adversarial network (GAN) to regenerate the removed background edges. Finally, the estimated background edge map is fed to another auto-encoder network to assist the extraction of the background from the original image. Experimental results show that the proposed reflection removal algorithm achieves superior performance both quantitatively and qualitatively as compared to the state-of-the-art methods. The proposed algorithm also shows much faster speed compared to the existing approaches using the traditional optimization methods.
• Abstract（参考訳）: ガラスのような半反射媒質を通して撮影する場合、キャプチャー画像には別のシーンの反射がしばしば見られる。 画像の品質を劣化させ、その後の分析に影響を及ぼす。 本稿では,イメージングにおける反射問題を解くための新しいディープニューラルネットワーク手法を提案する。 従来のリフレクション除去法は、異なる最適化関数を解くのに長い計算時間を必要とするだけでなく、その性能も保証されない。 近年の撮像装置ではアレイカメラが容易に利用できるようになったため、まず畳み込みニューラルネットワーク(CNN)を用いた多重画像に基づく深度推定法を提案する。 提案するネットワークは、画像の反射による深度あいまいさの問題を避け、画像エッジに沿った深度を直接推定する。 その後、エッジを背景やリフレクションに属するものと分類するために使用される。 類似した深さ値のエッジは分類においてエラーを起こしやすいため、反射除去プロセスから除去される。 削除した背景エッジを再生するためにGAN(Generative Adversarial Network)を提案する。 最後に、推定された背景エッジマップを別のオートエンコーダネットワークに供給し、元の画像からの背景抽出を支援する。 実験の結果,提案手法は最先端手法と比較して定量的,質的にも優れた性能が得られることがわかった。 また,提案アルゴリズムは従来の最適化手法よりも高速であることを示す。

関連論文リスト

• Deep Dynamic Scene Deblurring from Optical Flow [53.625999196063574]
  汚れは視覚的により快適な写真を提供し、写真がより便利になる。 非均一な曖昧さを数学的にモデル化することは困難である。 我々は,難解な特徴から鮮明な画像を復元する畳み込みニューラルネットワーク(CNN)を開発した。
  論文  参考訳（メタデータ） (2023-01-18T06:37:21Z)
• Iterative Gradient Encoding Network with Feature Co-Occurrence Loss for Single Image Reflection Removal [6.370905925442655]
  単一画像反射除去のための反復グラデーション符号化ネットワークを提案する。 提案手法は,既存の画像設定に対する反射を良好に除去することができる。
  論文  参考訳（メタデータ） (2021-03-29T19:29:29Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Location-aware Single Image Reflection Removal [54.93808224890273]
  本稿では,位置認識型深層学習に基づく単一画像反射除去手法を提案する。 我々は,リフレクション信頼度マップをネットワークの手がかりとして活用し,リフレクション情報を適応的にエンコードする方法を学習する。 位置情報のネットワークへの統合は、反射除去結果の品質を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-12-13T19:34:35Z)
• Two-Stage Single Image Reflection Removal with Reflection-Aware Guidance [78.34235841168031]
  シングルイメージリフレクション除去(SIRR)のためのリフレクション・アウェア・ガイダンス(RAGNet)を用いた新しい2段階ネットワークを提案する。 RAGは、(i)観測からの反射の効果を緩和するために、(ii)線形結合仮説から逸脱する効果を緩和するための部分畳み込みにおいてマスクを生成するために用いられる。 5つの一般的なデータセットの実験は、最先端のSIRR法と比較して、RAGNetの量的および質的な優位性を実証している。
  論文  参考訳（メタデータ） (2020-12-02T03:14:57Z)
• Unsupervised Single-Image Reflection Separation Using Perceptual Deep Image Priors [6.333390830515411]
  単一画像のリフレクション分離のための新しい教師なしフレームワークを提案する。 対象画像上の2つのクロスカップリング深部畳み込みネットワークのパラメータを最適化し、2つの排他的背景層と反射層を生成する。 その結果,本手法は単一画像からの反射を除去するための文献において最も近い教師なし手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-09-01T21:08:30Z)
• Depth image denoising using nuclear norm and learning graph model [107.51199787840066]
  グループベース画像復元法は,パッチ間の類似性収集に有効である。 各パッチに対して、検索ウィンドウ内で最もよく似たパッチを見つけ、グループ化する。 提案手法は, 主観的, 客観的両面において, 最先端の復調法よりも優れている。
  論文  参考訳（メタデータ） (2020-08-09T15:12:16Z)
• Single image reflection removal via learning with multi-image constraints [50.54095311597466]
  本稿では、上記のアプローチの利点を組み合わせ、その欠点を克服する新しい学習ベースソリューションを提案する。 提案アルゴリズムはディープニューラルネットワークを学習して、複数の入力画像間で強化されたジョイント制約でターゲットを最適化する。 我々のアルゴリズムは実画像上でリアルタイムかつ最先端の反射除去性能で動作する。
  論文  参考訳（メタデータ） (2019-12-08T06:10:49Z)

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。