論文の概要: See Blue Sky: Deep Image Dehaze Using Paired and Unpaired Training Images

• arxiv url: http://arxiv.org/abs/2210.07594v1
• Date: Fri, 14 Oct 2022 07:45:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 16:07:47.926675
• Title: See Blue Sky: Deep Image Dehaze Using Paired and Unpaired Training Images
• Title（参考訳）: Blue Sky: ペアリングとアンペアトレーニングを併用したディープイメージのデハズ
• Authors: Xiaoyan Zhang, Gaoyang Tang, Yingying Zhu and Qi Tian
• Abstract要約: 本稿では,新しいエンドツーエンド画像デヘイズモデルを構築するために,サイクル生成対向ネットワークを提案する。 我々は、実世界の未ペア画像データセットとペア画像データセットのセットを含む、私たちのモデルをトレーニングするために、屋外画像データセットを採用しています。 本モデルでは, サイクル構造に基づいて, 対向損失, サイクル整合損失, フォトリアリズム損失, ペアL1損失を含む4種類の損失関数を付加した。
• 参考スコア（独自算出の注目度）: 73.23687409870656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The issue of image haze removal has attracted wide attention in recent years. However, most existing haze removal methods cannot restore the scene with clear blue sky, since the color and texture information of the object in the original haze image is insufficient. To remedy this, we propose a cycle generative adversarial network to construct a novel end-to-end image dehaze model. We adopt outdoor image datasets to train our model, which includes a set of real-world unpaired image dataset and a set of paired image dataset to ensure that the generated images are close to the real scene. Based on the cycle structure, our model adds four different kinds of loss function to constrain the effect including adversarial loss, cycle consistency loss, photorealism loss and paired L1 loss. These four constraints can improve the overall quality of such degraded images for better visual appeal and ensure reconstruction of images to keep from distortion. The proposed model could remove the haze of images and also restore the sky of images to be clean and blue (like captured in a sunny weather).
• Abstract（参考訳）: 近年,イメージヘイズ除去の課題が注目されている。 しかし、既存のヘイズ除去法は、元のヘイズ画像における被写体の色やテクスチャ情報が不十分であるため、澄んだ青空でシーンを復元することはできない。 そこで本研究では,新たなエンド・ツー・エンド画像デヘイズモデルを構築するための,サイクル生成対向ネットワークを提案する。 実世界のアンペア画像データセットのセットと、生成された画像が実シーンに近いことを保証するためのペア画像データセットのセットを含む、アウトドアイメージデータセットをトレーニングに採用します。 サイクル構造に基づき, 逆損失, サイクル一貫性損失, フォトリアリズム損失, ペアl1損失などの効果を制約するために, 4種類の損失関数を付加する。 これら4つの制約は、劣化した画像の全体的な品質を向上し、視覚的魅力を向上し、歪みを避けるために画像の再構成を保証する。 提案されたモデルは、画像の迷路を除去し、画像の空をきれいで青く復元する(晴れた天気で撮影されるように)。

関連論文リスト

• Joint Conditional Diffusion Model for Image Restoration with Mixed Degradations [29.14467633167042]
  悪天候下における画像復元のための新しい手法を提案する。 大気散乱モデルに基づく混合劣化モデルを用いて, 復元過程全体を導出する。 マルチウェザーおよび気象特化データセットの実験は、最先端の競合手法よりも、我々の手法が優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-11T14:07:16Z)
• Exposure Bracketing is All You Need for Unifying Image Restoration and Enhancement Tasks [50.822601495422916]
  本稿では,露光ブラケット写真を利用して画像復元と拡張作業を統合することを提案する。 実世界のペアの収集が困難であるため,まず合成ペアデータを用いてモデルを事前学習する手法を提案する。 特に,時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
  論文  参考訳（メタデータ） (2024-01-01T14:14:35Z)
• 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)
• Dehazing-NeRF: Neural Radiance Fields from Hazy Images [13.92247691561793]
  画像入力からNRFを除去する手法であるDehazing-NeRFを提案する。 本研究では,大気散乱モデルを用いて,ハズ画像の物理像化過程をシミュレートする。 画像のデハージングと新しいビュー合成の両方において、単一像のデハージングとNeRFの単純な組み合わせよりも優れる。
  論文  参考訳（メタデータ） (2023-04-22T17:09:05Z)
• Dual-Scale Single Image Dehazing Via Neural Augmentation [29.019279446792623]
  モデルベースとデータ駆動のアプローチを組み合わせることで,新しい単一画像デハージングアルゴリズムを導入する。 その結果,提案アルゴリズムは実世界および合成ヘイズ画像からヘイズをうまく除去できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-13T11:56:03Z)
• 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)
• Model-Based Single Image Deep Dehazing [20.39952114471173]
  モデルベースおよびデータ駆動アプローチを融合させることにより,新しい単一画像デハージングアルゴリズムを導入する。 実験結果から,提案アルゴリズムは実世界のヘイズ画像や合成ヘイズ画像からヘイズをうまく除去できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T01:57:51Z)
• Single image dehazing via combining the prior knowledge and CNNs [6.566615606042994]
  本稿では,従来の知識と深層学習を組み合わせることで,欠陥の低減を図るために,エンドツーエンドシステムを提案する。 実験により,提案手法は既存手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-11-10T14:18:25Z)
• Nighttime Dehazing with a Synthetic Benchmark [147.21955799938115]
  昼間の鮮明な画像から夜間のハズイ画像をシミュレートする3Rという新しい合成法を提案する。 実空間の光色を以前の経験的分布からサンプリングすることにより,現実的な夜間ハズイ画像を生成する。 実験結果は、画像の品質と実行時間の両方の観点から、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-10T02:16:46Z)
• Learning to Restore a Single Face Image Degraded by Atmospheric Turbulence using CNNs [93.72048616001064]
  このような条件下で撮影された画像は、幾何学的変形と空間のぼかしの組合せに悩まされる。 乱流劣化顔画像の復元問題に対する深層学習に基づく解法を提案する。
  論文  参考訳（メタデータ） (2020-07-16T15:25:08Z)

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。