論文の概要: GTAV-NightRain: Photometric Realistic Large-scale Dataset for Night-time
Rain Streak Removal
- arxiv url: http://arxiv.org/abs/2210.04708v1
- Date: Mon, 10 Oct 2022 14:08:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 18:15:03.691054
- Title: GTAV-NightRain: Photometric Realistic Large-scale Dataset for Night-time
Rain Streak Removal
- Title(参考訳): GTAV-NightRain:夜間降雨ストリーク除去のための測光リアルタイム大規模データセット
- Authors: Fan Zhang, Shaodi You, Yu Li, Ying Fu
- Abstract要約: 雨は透明で、シーンの光を反射し、カメラに反射する。
既存の雨害除去データセットでは, 密度, スケール, 方向, 強度が考慮されているが, 透明性は十分に考慮されていない。
本稿では,大規模な夜間降雨ストリーク除去データセットであるGTAV-NightRainデータセットを提案する。
- 参考スコア(独自算出の注目度): 30.93624632770902
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rain is transparent, which reflects and refracts light in the scene to the
camera. In outdoor vision, rain, especially rain streaks degrade visibility and
therefore need to be removed. In existing rain streak removal datasets,
although density, scale, direction and intensity have been considered,
transparency is not fully taken into account. This problem is particularly
serious in night scenes, where the appearance of rain largely depends on the
interaction with scene illuminations and changes drastically on different
positions within the image. This is problematic, because unrealistic dataset
causes serious domain bias. In this paper, we propose GTAV-NightRain dataset,
which is a large-scale synthetic night-time rain streak removal dataset. Unlike
existing datasets, by using 3D computer graphic platform (namely GTA V), we are
allowed to infer the three dimensional interaction between rain and
illuminations, which insures the photometric realness. Current release of the
dataset contains 12,860 HD rainy images and 1,286 corresponding HD ground truth
images in diversified night scenes. A systematic benchmark and analysis are
provided along with the dataset to inspire further research.
- Abstract(参考訳): 雨は透明で、カメラのシーンの光を反射し、屈折します。
屋外の視界では、特に雨は視界を低下させ、そのため除去する必要がある。
既存の雨害除去データセットでは、密度、スケール、方向、強度が考慮されているが、透明性は考慮されていない。
この問題は特に夜景において深刻な問題であり、雨の出現はシーン照明との相互作用に大きく依存し、画像内の異なる位置で大きく変化する。
非現実的なデータセットが深刻なドメインバイアスを引き起こすため、これは問題となる。
本稿では,大規模な夜間雨天除去データセットであるGTAV-NightRainデータセットを提案する。
既存のデータセットとは異なり、3dコンピュータグラフィックスプラットフォーム(gta v)を使用することで、雨と照度の間の3次元の相互作用を推測することができる。
データセットの現在のリリースには、12,860のhd雨画像と1,286の対応するhd地上真実画像が含まれている。
体系的なベンチマークと分析がデータセットと共に提供され、さらなる研究を促す。
関連論文リスト
- Sun Off, Lights On: Photorealistic Monocular Nighttime Simulation for Robust Semantic Perception [53.631644875171595]
夜間のシーンは、学習したモデルで意味的に知覚し、人間に注釈を付けるのは難しい。
本手法は,1枚の画像の夜間シミュレーションを3Dで行う方法として,サンオフ,ライトオン (SOLO) と命名された。
夜間画像の視覚的品質と光リアリズムは,拡散モデルを含む競合するアプローチよりも優れているだけでなく,従来の画像は,昼夜適応における意味的夜間セグメンテーションに有益であることが証明されている。
論文 参考訳(メタデータ) (2024-07-29T18:00:09Z) - Raindrop Clarity: A Dual-Focused Dataset for Day and Night Raindrop Removal [16.50219011463268]
雨滴明瞭度は、雨滴と対応する鮮明な背景画像の高品質なペア/トリップ15,186枚からなる。
昼間降雨量は5,442枚、夜間降雨量は9,744枚である。
我々のデータセットにより、コミュニティは背景に焦点をあて、雨滴に焦点を絞ったイメージを探索できる。
論文 参考訳(メタデータ) (2024-07-24T02:48:30Z) - GTA-HDR: A Large-Scale Synthetic Dataset for HDR Image Reconstruction [11.610543327501995]
High Dynamic Range(画像とビデオ)は幅広い用途がある。
High Dynamic Range(画像とビデオ)は幅広い用途がある。
低ダイナミックレンジ(Low Dynamic Range, LDR)から視覚的に正確なHDR画像を再構成する難しい作業は、視覚研究コミュニティで注目を集めている。
論文 参考訳(メタデータ) (2024-03-26T16:24:42Z) - NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
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) - Dual Degradation Representation for Joint Deraining and Low-Light Enhancement in the Dark [57.85378202032541]
暗闇の中での雨は、自律運転や監視システム、夜間写真など、現実世界のアプリケーションをデプロイする上で大きな課題となる。
既存の低照度化や除染法は、低照度を明るくし、同時に雨を取り除くのに苦労する。
L$2$RIRNetと呼ばれるエンド・ツー・エンドのモデルを導入する。
論文 参考訳(メタデータ) (2023-05-06T10:17:42Z) - Not Just Streaks: Towards Ground Truth for Single Image Deraining [42.15398478201746]
実世界の雨天とクリーンなイメージペアの大規模データセットを提案する。
本稿では,雨天と清潔な画像の間の雨害損失を最小限に抑え,基盤となるシーンを再構築するディープニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-06-22T00:10:06Z) - Asymmetric Dual-Decoder U-Net for Joint Rain and Haze Removal [21.316673824040752]
現実のシナリオでは、雨とヘイズ(しばしば共起する共通の気象現象)は、シーンイメージの明快さと質を大幅に低下させる。
本稿では、上記の課題に対処するため、新しいディープニューラルネットワーク、Asymmetric Dual-Decoder U-Net(ADU-Net)を提案する。
ADU−Netは、汚染残留物とシーン残留物の両方を生成し、シーン情報の忠実性を維持しつつ、雨とヘイズを効率的に除去する。
論文 参考訳(メタデータ) (2022-06-14T12:50:41Z) - Toward Real-world Single Image Deraining: A New Benchmark and Beyond [79.5893880599847]
現実シナリオにおけるSID(Single Image deraining)は近年注目されている。
以前の実際のデータセットは、低解像度の画像、均一な雨のストリーク、背景の変化の制限、イメージペアの誤調整に悩まされていた。
我々はRealRain-1kという新しい高品質のデータセットを構築した。
論文 参考訳(メタデータ) (2022-06-11T12:26:59Z) - MBA-RainGAN: Multi-branch Attention Generative Adversarial Network for
Mixture of Rain Removal from Single Images [24.60495609529114]
豪雨の日、ガラスを通して画像が撮影されるとき、雨はシーンオブジェクトの視界をひどく損なう。
1) 雨は雨滴, 雨煙, 雨雲の混合であり, 2) カメラからの深さが物体の視界の度合いを決定する, 3) ガラス上の雨滴は画像空間全体の視界にランダムに影響を及ぼす, 興味深い3つの現象を観察する。
論文 参考訳(メタデータ) (2020-05-21T11:44:21Z)
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。