論文の概要: Semi-UFormer: Semi-supervised Uncertainty-aware Transformer for Image Dehazing

• arxiv url: http://arxiv.org/abs/2210.16057v1
• Date: Fri, 28 Oct 2022 11:08:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 16:23:14.895354
• Title: Semi-UFormer: Semi-supervised Uncertainty-aware Transformer for Image Dehazing
• Title（参考訳）: セミUFormer:イメージデハージングのための半教師付き不確かさ対応変圧器
• Authors: Ming Tong, Yongzhen Wang, Peng Cui, Xuefeng Yan, Mingqiang Wei
• Abstract要約: そこで我々はSemi-UFormerと呼ばれる半教師付き不確実性対応トランスフォーマネットワークを提案する。 Semi-UFormerは、現実世界のハジーイメージと不確実性ガイダンス情報の両方をうまく活用できる。
• 参考スコア（独自算出の注目度）: 27.448424191569167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image dehazing is fundamental yet not well-solved in computer vision. Most cutting-edge models are trained in synthetic data, leading to the poor performance on real-world hazy scenarios. Besides, they commonly give deterministic dehazed images while neglecting to mine their uncertainty. To bridge the domain gap and enhance the dehazing performance, we propose a novel semi-supervised uncertainty-aware transformer network, called Semi-UFormer. Semi-UFormer can well leverage both the real-world hazy images and their uncertainty guidance information. Specifically, Semi-UFormer builds itself on the knowledge distillation framework. Such teacher-student networks effectively absorb real-world haze information for quality dehazing. Furthermore, an uncertainty estimation block is introduced into the model to estimate the pixel uncertainty representations, which is then used as a guidance signal to help the student network produce haze-free images more accurately. Extensive experiments demonstrate that Semi-UFormer generalizes well from synthetic to real-world images.
• Abstract（参考訳）: 画像デハジングは基本だが、コンピュータビジョンでは十分解決されていない。 ほとんどの最先端モデルは合成データで訓練されており、実世界の不安定なシナリオでは性能が低下する。 さらに、決定論的デハズド画像は、その不確かさを無視しながら、通常与える。 ドメインギャップを埋めてデハージング性能を高めるため,Semi-UFormerと呼ばれる半教師付き不確実性対応トランスネットワークを提案する。 Semi-UFormerは実世界のハジーイメージと不確実性ガイダンス情報の両方をうまく活用できる。 特にsemi-uformerは知識蒸留フレームワークをベースにしている。 このような教師と学生のネットワークは、品質劣化のために現実世界のヘイズ情報を効果的に吸収する。 さらに、モデルに不確実性推定ブロックを導入して画素の不確実性表現を推定し、学生ネットワークがより正確にヘイズフリーの画像を生成するのに役立つ誘導信号として使用する。 広範な実験により、セミuformerは合成画像から実世界画像までよく一般化している。

関連論文リスト

• HazeCLIP: Towards Language Guided Real-World Image Dehazing [62.4454483961341]
  既存の手法は、特に合成データセットにおいて、単一画像のデハージングにおいて顕著な性能を達成した。 本稿では,事前学習型デハジングネットワークの性能向上を目的とした言語誘導適応フレームワークHazeCLIPを紹介する。
  論文  参考訳（メタデータ） (2024-07-18T17:18:25Z)
• Prompt-based test-time real image dehazing: a novel pipeline [9.229160145438469]
  本稿では,プロンプトをベースとしたテストタイム・デハージング(PTTD)について述べる。 合成データに基づいて訓練されたデハジングモデルを用いて、符号化機能の統計(平均および標準偏差)を微調整することにより、領域ギャップを狭めることができることを実験的に観察した。 PTTDはモデルに依存しず、様々な最先端のデハージングモデルを備えており、実際の画像デハージングタスクに取り組むために合成ハジークリーンペアで訓練されている。
  論文  参考訳（メタデータ） (2023-09-29T16:50:38Z)
• Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images with Free Attention Masks [64.67735676127208]
  テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。 有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。 上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
  論文  参考訳（メタデータ） (2023-08-13T10:07:46Z)
• Uni-Removal: A Semi-Supervised Framework for Simultaneously Addressing Multiple Degradations in Real-World Images [6.3351090376024155]
  Uni-Removalは、現実世界の画像における複数の劣化を取り除くための2段階の半教師付きフレームワークである。 知識伝達の段階では、Uni-Removalは教師付きマルチ教師と学生アーキテクチャを利用する。 ドメイン適応段階では、現実世界の画像に敵判別器を組み込むことにより、教師なしの微調整を行う。
  論文  参考訳（メタデータ） (2023-07-11T07:18:15Z)
• Robustness and invariance properties of image classifiers [8.970032486260695]
  ディープニューラルネットワークは多くの画像分類タスクで印象的な結果を得た。 ディープネットワークは、多種多様なセマンティック保存画像修正に対して堅牢ではない。 画像分類器の小さなデータ分散シフトに対する堅牢性の低さは、その信頼性に関する深刻な懸念を引き起こす。
  論文  参考訳（メタデータ） (2022-08-30T11:00:59Z)
• UCL-Dehaze: Towards Real-world Image Dehazing via Unsupervised Contrastive Learning [57.40713083410888]
  そこで本稿では, 現実の無作為かつ清潔なイメージを活用するための, 対人訓練によるコントラスト学習について検討する。 UCL-Dehazeと呼ばれる画像復調のための効果的な教師なしコントラスト学習パラダイムを提案する。 我々はUCL-Dehazeを評価するための総合的な実験を行い、最先端技術よりもその優位性を実証する。
  論文  参考訳（メタデータ） (2022-05-04T03:25:13Z)
• From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data [58.50411487497146]
  ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。 まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。 そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
  論文  参考訳（メタデータ） (2021-08-06T04:00:28Z)
• SIR: Self-supervised Image Rectification via Seeing the Same Scene from Multiple Different Lenses [82.56853587380168]
  本稿では、異なるレンズからの同一シーンの歪み画像の補正結果が同一であるべきという重要な知見に基づいて、新しい自己監督画像補正法を提案する。 我々は、歪みパラメータから修正画像を生成し、再歪み画像を生成するために、微分可能なワープモジュールを利用する。 本手法は,教師付きベースライン法や代表的最先端手法と同等あるいはそれ以上の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-30T08:23:25Z)
• FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing [48.65974971543703]
  画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。 我々のモデルは、より自然でリアルなデハズド画像を生成することができ、色歪みは少なく、アーティファクトも少ない。 実験により, 提案手法は, 公開合成データセットと実世界の画像の両方において, 最先端の性能に達することが示された。
  論文  参考訳（メタデータ） (2020-01-20T04:36:11Z)

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。