論文の概要: Structure Representation Network and Uncertainty Feedback Learning for Dense Non-Uniform Fog Removal

• arxiv url: http://arxiv.org/abs/2210.03061v1
• Date: Thu, 6 Oct 2022 17:10:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 17:04:32.436098
• Title: Structure Representation Network and Uncertainty Feedback Learning for Dense Non-Uniform Fog Removal
• Title（参考訳）: 非一様霧除去のための構造表現ネットワークと不確かさフィードバック学習
• Authors: Yeying Jin, Wending Yan, Wenhan Yang, Robby T. Tan
• Abstract要約: 本研究では,不確実性フィードバック学習を用いた構造表現ネットワークを提案する。 具体的には、事前訓練された視覚変換器(DINO-ViT)モジュールから特徴表現を抽出し、背景情報を復元する。 大気中の光色を推定する難易度に対処するために,入力画像のグレースケール版を利用する。
• 参考スコア（独自算出の注目度）: 64.77435210892041
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few existing image defogging or dehazing methods consider dense and non-uniform particle distributions, which usually happen in smoke, dust and fog. Dealing with these dense and/or non-uniform distributions can be intractable, since fog's attenuation and airlight (or veiling effect) significantly weaken the background scene information in the input image. To address this problem, we introduce a structure-representation network with uncertainty feedback learning. Specifically, we extract the feature representations from a pre-trained Vision Transformer (DINO-ViT) module to recover the background information. To guide our network to focus on non-uniform fog areas, and then remove the fog accordingly, we introduce the uncertainty feedback learning, which produces the uncertainty maps, that have higher uncertainty in denser fog regions, and can be regarded as an attention map that represents fog's density and uneven distribution. Based on the uncertainty map, our feedback network refines our defogged output iteratively. Moreover, to handle the intractability of estimating the atmospheric light colors, we exploit the grayscale version of our input image, since it is less affected by varying light colors that are possibly present in the input image. The experimental results demonstrate the effectiveness of our method both quantitatively and qualitatively compared to the state-of-the-art methods in handling dense and non-uniform fog or smoke.
• Abstract（参考訳）: 煙、塵、霧などで起こる密度と非均一な粒子分布を考慮する既存の画像のデオグやデハジング法はほとんどない。 霧の減衰と風光(または換気効果)が入力画像の背景のシーン情報を著しく弱めるため、これらの密度および/または一様でない分布に対処することは難解である。 この問題に対処するために,不確実性フィードバック学習を伴う構造表現ネットワークを導入する。 具体的には,事前学習した視覚トランスフォーマ(dino-vit)モジュールから特徴表現を抽出して背景情報を復元する。 不均一な霧領域に着目し,それに従って霧を除去し,不確実性フィードバック学習を行う。不確実性フィードバック学習は,濃密な霧領域において不確実性が高く,霧の密度と不均一分布を表す注意マップと見なすことができる。 不確実性マップに基づいて、我々のフィードバックネットワークは、欠落した出力を反復的に洗練する。 また、大気光色を推定する難易度に対処するために、入力画像に現れる可能性のある様々な光色の影響が少ないため、入力画像のグレースケール版を利用する。 実験により, 濃霧, 非一様霧, 煙の処理における最先端手法と比較して, 定量的, 定性的に評価した。

関連論文リスト

• Inhomogeneous illumination image enhancement under ex-tremely low visibility condition [3.534798835599242]
  濃霧を通した画像は、物体の検出や認識の曖昧化といったアプリケーションに不可欠な視覚情報を欠いているため、従来の画像処理手法を妨げている。 本稿では,構造微分・積分フィルタ(F)に基づく背景照明を適応的にフィルタし,信号情報のみを向上させる手法を提案する。 提案手法は, 極めて低視認性条件下で信号の明瞭度を著しく向上し, 既存の技術よりも優れており, 深部霧画像への応用に大きく貢献することを示した。
  論文  参考訳（メタデータ） (2024-04-26T16:09:42Z)
• Beyond Night Visibility: Adaptive Multi-Scale Fusion of Infrared and Visible Images [49.75771095302775]
  赤外線および可視画像を用いた適応型マルチスケール核融合ネットワーク(AMFusion)を提案する。 まず、赤外画像と可視画像から空間的特徴と意味的特徴を分離し、前者が光分布の調整に使用される。 第2に,事前学習したバックボーンから抽出した検出機能を利用して,意味的特徴の融合を誘導する。 第3に、通常の光強度で融合画像を制約する新しい照明損失を提案する。
  論文  参考訳（メタデータ） (2024-03-02T03:52:07Z)
• CFDNet: A Generalizable Foggy Stereo Matching Network with Contrastive Feature Distillation [11.655465312241699]
  コントラスト的特徴蒸留(CFD)に基づく枠組みを導入する。 この戦略は、統合されたクリーンフォグの特徴からの特徴蒸留と対照的な学習を組み合わせることで、霧の深さのヒントとクリーンマッチングの特徴へのバランスのとれた依存を確保する。
  論文  参考訳（メタデータ） (2024-02-28T09:12:01Z)
• Decomposition-based and Interference Perception for Infrared and Visible Image Fusion in Complex Scenes [4.919706769234434]
  本稿では,分解に基づく干渉知覚画像融合法を提案する。 可視画像の画素を光透過の散乱度から分類し,画像の細部とエネルギー情報を分離する。 この洗練された分解により、複雑なシーンにあるより干渉するピクセルを識別するモデルが提案される。
  論文  参考訳（メタデータ） (2024-02-03T09:27:33Z)
• DHFormer: A Vision Transformer-Based Attention Module for Image Dehazing [0.0]
  ぼんやりとした条件で取得された画像は、それらによって引き起こされる劣化を生じさせる。 ハウズの効果を緩和し、ヘイズフリーな画像を生成するために、事前ベースおよび学習ベースのアプローチが提案されている。 本稿では,アテンションモジュールにおける残差学習と視覚変換を用いた手法を提案する。
  論文  参考訳（メタデータ） (2023-12-15T17:05:32Z)
• SCANet: Self-Paced Semi-Curricular Attention Network for Non-Homogeneous Image Dehazing [56.900964135228435]
  既存の均質脱ハージング法は、強靭な方法でヘイズの不均一分布を扱うのに苦労する。 非均質なイメージデハージングのための,SCANet と呼ばれる新しい自己ペースト半曲的アテンションネットワークを提案する。 本手法は,アテンションジェネレータネットワークとシーン再構築ネットワークから構成される。
  論文  参考訳（メタデータ） (2023-04-17T17:05:29Z)
• CoCoNet: Coupled Contrastive Learning Network with Multi-level Feature Ensemble for Multi-modality Image Fusion [72.8898811120795]
  我々は、赤外線と可視画像の融合を実現するために、CoCoNetと呼ばれるコントラスト学習ネットワークを提案する。 本手法は,主観的評価と客観的評価の両面において,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2022-11-20T12:02:07Z)
• Learning to restore images degraded by atmospheric turbulence using uncertainty [93.72048616001064]
  大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。 本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-07T17:24:52Z)
• Both Style and Fog Matter: Cumulative Domain Adaptation for Semantic Foggy Scene Understanding [63.99301797430936]
  我々は,2要素(スタイルとフォグ)を累積的に適応させる新しいパイプラインを提案する。 具体的には、スタイルファクタとフォグファクタを分離し、異なる領域のイメージから二重要素を分離する統一的なフレームワークを考案する。 提案手法は,3つのベンチマーク上での最先端性能を実現し,雨や雪の場面における一般化能力を示す。
  論文  参考訳（メタデータ） (2021-12-01T13:21:20Z)

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。