Fugu-MT 論文翻訳(概要): Rethinking Performance Gains in Image Dehazing Networks

論文の概要: Rethinking Performance Gains in Image Dehazing Networks

arxiv url: http://arxiv.org/abs/2209.11448v1
Date: Fri, 23 Sep 2022 07:14:48 GMT
ステータス: 処理完了
システム内更新日: 2022-09-26 16:52:15.948902
Title: Rethinking Performance Gains in Image Dehazing Networks
Title（参考訳）: 画像デハージングネットワークにおけるパフォーマンス向上の再考
Authors: Yuda Song, Yang Zhou, Hui Qian, Xin Du
Abstract要約: 我々は、コンパクトなデハージングネットワークを得るために、人気のあるU-Netに最小限の変更を加えている。具体的には、U-Netの畳み込みブロックをゲーティング機構で残余ブロックに置き換える。オーバーヘッドが大幅に削減されているため、gUNetは複数のイメージデハージングデータセットの最先端メソッドよりも優れている。
参考スコア（独自算出の注目度）: 25.371802581339576
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Image dehazing is an active topic in low-level vision, and many image dehazing networks have been proposed with the rapid development of deep learning. Although these networks' pipelines work fine, the key mechanism to improving image dehazing performance remains unclear. For this reason, we do not target to propose a dehazing network with fancy modules; rather, we make minimal modifications to popular U-Net to obtain a compact dehazing network. Specifically, we swap out the convolutional blocks in U-Net for residual blocks with the gating mechanism, fuse the feature maps of main paths and skip connections using the selective kernel, and call the resulting U-Net variant gUNet. As a result, with a significantly reduced overhead, gUNet is superior to state-of-the-art methods on multiple image dehazing datasets. Finally, we verify these key designs to the performance gain of image dehazing networks through extensive ablation studies.
Abstract（参考訳）: 画像デハジングは低レベルの視覚において活発な話題であり、ディープラーニングの急速な発展とともに多くの画像デハジングネットワークが提案されている。これらのネットワークのパイプラインは正常に機能するが、画像デハビリテーション性能を改善するための重要なメカニズムはまだ不明である。このため、我々は高級モジュールを持つデハジングネットワークを提案するのではなく、よりコンパクトなデハジングネットワークを得るために人気のあるU-Netに最小限の変更を加えている。具体的には、u-net の畳み込みブロックをゲーティング機構で残差ブロックに置き換え、メインパスの特徴マップを融合させ、選択したカーネルを使って接続をスキップし、結果の u-net 変種gunet を呼び出す。結果として、オーバーヘッドを大幅に削減したgUNetは、複数の画像デハージングデータセットの最先端メソッドよりも優れている。最後に,画像デハジングネットワークの性能向上のための重要な設計を広範囲なアブレーション実験により検証する。

関連論文リスト

DRACO-DehazeNet: An Efficient Image Dehazing Network Combining Detail Recovery and a Novel Contrastive Learning Paradigm [3.649619954898362]
Detail RecoveryとContrastive DehazeNetは、特定のデハズされたシーンコンテキストへの拡張を調整した、詳細なイメージリカバリネットワークである。大きな革新は、新しい四重項損失に基づくコントラストデハージングパラダイムによって達成された、限られたデータで効果的にトレーニングできることである。
論文参考訳（メタデータ） (2024-10-18T16:48:31Z)
GAMA-IR: Global Additive Multidimensional Averaging for Fast Image Restoration [22.53813258871828]
高速かつ優れた画質が得られる画像復元ネットワークを導入する。このネットワークは、標準GPU上で実行されるレイテンシとメモリ消費を最小限に抑えるように設計されている。我々は、現実のSIDDにおける最先端の結果を0.11dBで上回り、より2倍から10倍速くする。
論文参考訳（メタデータ） (2024-03-31T21:43:08Z)
RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-11-17T11:06:29Z)
Low-light Enhancement Method Based on Attention Map Net [1.2158275183241178]
低照度画像強調は、複雑な視覚タスクにおいて重要な前処理タスクである。ターゲット検出、画像セグメンテーション、画像認識の結果はすべて、画像強調の影響によって直接影響を受ける。我々は、U-Netを主構造とし、様々な注意機構をソリューションとして組み込んだBrightenNetと呼ばれる改良されたネットワークを提案する。
論文参考訳（メタデータ） (2022-08-19T13:18:35Z)
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)
Contrastive Learning for Compact Single Image Dehazing [41.83007400559068]
コントラスト学習に基づいて構築された新しいコントラスト正規化(CR)を提案し、ヘイズ画像とクリア画像の情報の両方をネガティブかつポジティブなサンプルとして活用する。 CRは、復元された画像が透明な画像に近づき、表現空間のぼやけた画像から遠くへ押し出されることを保証する。性能とメモリストレージのトレードオフを考慮すると、オートエンコーダのようなフレームワークに基づくコンパクトなデハージングネットワークを開発する。
論文参考訳（メタデータ） (2021-04-19T14:56:21Z)
AttendNets: Tiny Deep Image Recognition Neural Networks for the Edge via Visual Attention Condensers [81.17461895644003]
我々は、オンデバイス画像認識に適した、低精度でコンパクトなディープニューラルネットワークであるAttendNetsを紹介する。 AttendNetsは、視覚的注意の凝縮に基づく深い自己注意アーキテクチャを持っている。その結果、AttendNetsは、いくつかのディープニューラルネットワークと比較して、アーキテクチャと計算の複雑さが著しく低いことが示された。
論文参考訳（メタデータ） (2020-09-30T01:53:17Z)
Feature Flow: In-network Feature Flow Estimation for Video Object Detection [56.80974623192569]
光の流れはコンピュータビジョンのタスクで広く使われ、ピクセルレベルのモーション情報を提供する。一般的なアプローチは、ニューラルネットワークへの前向き光学フローと、タスクデータセット上のこのネットワークの微調整である。ビデオオブジェクト検出のための textbfIn-network textbfFeature textbfFlow 推定モジュールを用いた新しいネットワーク (IFF-Net) を提案する。
論文参考訳（メタデータ） (2020-09-21T07:55:50Z)
AdderSR: Towards Energy Efficient Image Super-Resolution [127.61437479490047]
本稿では,加算器ニューラルネットワーク(AdderNet)を用いた単一画像超解問題について検討する。畳み込みニューラルネットワークと比較して、AdderNetは加算を利用して出力特性を計算し、従来の乗算の膨大なエネルギー消費を回避する。
論文参考訳（メタデータ） (2020-09-18T15:29:13Z)
Designing and Training of A Dual CNN for Image Denoising [117.54244339673316]
クリーンなイメージを復元するためのDual denoising Network(DudeNet)を提案する。 DudeNetは4つのモジュールで構成されている。機能抽出ブロック、拡張ブロック、圧縮ブロック、再構築ブロックである。
論文参考訳（メタデータ） (2020-07-08T08:16:24Z)
Image Restoration Using Deep Regulated Convolutional Networks [2.608905180175928]
提案するDeep Regulated Convolutional Network (RC-Net) は,スキップ接続による制御サブネットワークブロックで構成されるディープネットワークである。 RC-Netは、大きなフィルターの組み合わせによって多彩な特徴を取り入れ、ぼやけた境界を緩和し、画像のデノイングや超解像問題における詳細をぼやけたディテールを緩和するなど、いくつかの魅力的な利点がある。提案するRC-Netsは,様々な画像復元作業において高い性能向上を達成しつつ,有望な一般化能力を示しながら,最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2019-10-19T22:30:23Z)

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。