論文の概要: Unsupervised Deraining: Where Asymmetric Contrastive Learning Meets Self-similarity

• arxiv url: http://arxiv.org/abs/2211.00837v1
• Date: Wed, 2 Nov 2022 02:47:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 13:31:01.982615
• Title: Unsupervised Deraining: Where Asymmetric Contrastive Learning Meets Self-similarity
• Title（参考訳）: 教師なしのDeraining:非対称なコントラスト学習と自己相似性
• Authors: Yi Chang, Yun Guo, Yuntong Ye, Changfeng Yu, Lin Zhu, Xile Zhao, Luxin Yan, and Yonghong Tian
• Abstract要約: 本稿では,各層内の内在的相似性と2層間の排他性について検討する。 教師なし非局所コントラスト学習 (NLCL) デライン法を提案する。
• 参考スコア（独自算出の注目度）: 33.188738443097336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most of the existing learning-based deraining methods are supervisedly trained on synthetic rainy-clean pairs. The domain gap between the synthetic and real rain makes them less generalized to complex real rainy scenes. Moreover, the existing methods mainly utilize the property of the image or rain layers independently, while few of them have considered their mutually exclusive relationship. To solve above dilemma, we explore the intrinsic intra-similarity within each layer and inter-exclusiveness between two layers and propose an unsupervised non-local contrastive learning (NLCL) deraining method. The non-local self-similarity image patches as the positives are tightly pulled together, rain patches as the negatives are remarkably pushed away, and vice versa. On one hand, the intrinsic self-similarity knowledge within positive/negative samples of each layer benefits us to discover more compact representation; on the other hand, the mutually exclusive property between the two layers enriches the discriminative decomposition. Thus, the internal self-similarity within each layer (similarity) and the external exclusive relationship of the two layers (dissimilarity) serving as a generic image prior jointly facilitate us to unsupervisedly differentiate the rain from clean image. We further discover that the intrinsic dimension of the non-local image patches is generally higher than that of the rain patches. This motivates us to design an asymmetric contrastive loss to precisely model the compactness discrepancy of the two layers for better discriminative decomposition. In addition, considering that the existing real rain datasets are of low quality, either small scale or downloaded from the internet, we collect a real large-scale dataset under various rainy kinds of weather that contains high-resolution rainy images.
• Abstract（参考訳）: 既存の学習に基づくデラミニング手法のほとんどは、合成雨とクリーンのペアで指導的に訓練されている。 合成雨と実際の雨の間のドメインギャップは、複雑な実際の雨のシーンへの一般化を弱める。 また,既存の手法は画像層や降雨層の特性を独立に利用しているが,相互排他的関係を考慮しうるものはほとんどない。 上記のジレンマを解決するために,各層内の内在的相似性と2層間の相互排他性について検討し,非教師なし非局所コントラスト学習(NLCL)デラミニング法を提案する。 非局所的な自己相似画像パッチは正の値が強く引き寄せられ、雨パッチは負の値が著しく押し下げられ、その逆である。 一方、各層の正・負のサンプルにおける本質的な自己相似性知識は、よりコンパクトな表現を発見するのに有効である。 したがって、各層内部の自己相似性(相似性)と2層(相似性)の外部排他関係(相似性)が、共同して総体像として機能することにより、雨を清浄な画像と無監督的に区別することができる。 さらに,非局所画像パッチの内在次元が降雨パッチの内在次元よりも一般的に高いことが判明した。 これにより、非対称なコントラスト損失を設計し、2つの層のコンパクトさの相違を正確にモデル化し、より良い識別分解を行うことができる。 また,既存の実際の降雨データセットは小規模でもインターネットからダウンロードしても低品質であるため,高解像度の降雨画像を含む様々な気象条件下で,実際の大規模データセットを収集する。

関連論文リスト

• Sparse Sampling Transformer with Uncertainty-Driven Ranking for Unified Removal of Raindrops and Rain Streaks [17.00078021737863]
  実際の世界では、雨による画像劣化は、しばしば雨害と雨滴の組み合わせを示し、それによって根底にあるクリーンなイメージを回復する課題が増大する。 本稿は,グローバルな視点における劣化関係を学習し,モデル化するための,効率的かつ柔軟なメカニズムを提案することを目的とする。
  論文  参考訳（メタデータ） (2023-08-27T16:33:11Z)
• Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
  本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。 安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。 また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-23T13:34:01Z)
• Unsupervised Deraining: Where Contrastive Learning Meets Self-similarity [0.0]
  教師なし画像デライニングのための新しい非局所コントラスト学習法(NLCL)を提案する。 提案手法は, 実際のデラリニングにおける最先端性能を得る。
  論文  参考訳（メタデータ） (2022-03-22T07:37:08Z)
• Unpaired Adversarial Learning for Single Image Deraining with Rain-Space Contrastive Constraints [61.40893559933964]
  我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。 提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
  論文  参考訳（メタデータ） (2021-09-07T10:00:45Z)
• Closing the Loop: Joint Rain Generation and Removal via Disentangled Image Translation [12.639320247831181]
  我々は、雨の発生と除去は同じ硬貨の両側面であり、密結合であるべきだと主張する。 本稿では,各一方向ネットワークが2ループの連雨発生と除去を含む双方向不整合翻訳ネットワークを提案する。 人工および実世界の降雨データセットに関する実験は、最先端の雨よりも提案手法の優越性を示している。
  論文  参考訳（メタデータ） (2021-03-25T08:21:43Z)
• Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
  本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。 具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。 ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
  論文  参考訳（メタデータ） (2021-03-14T14:28:57Z)
• Dual Attention-in-Attention Model for Joint Rain Streak and Raindrop Removal [103.4067418083549]
  降雨量と降雨量の両方を同時に除去する2つのDAMを含むDual Attention-in-Attention Model (DAiAM)を提案する。 提案手法は,降雨量と降雨量とを同時に除去できるだけでなく,両タスクの最先端性能も達成できる。
  論文  参考訳（メタデータ） (2021-03-12T03:00:33Z)
• Structural Residual Learning for Single Image Rain Removal [48.87977695398587]
  本研究は,本質的な降雨構造を有するネットワークの出力残余を強制することで,新たなネットワークアーキテクチャを提案する。 このような構造的残差設定は、ネットワークによって抽出された雨層が、一般的な雨害の以前の知識に微妙に従うことを保証している。
  論文  参考訳（メタデータ） (2020-05-19T05:52:13Z)
• Multi-Scale Progressive Fusion Network for Single Image Deraining [84.0466298828417]
  空気中の雨のストリークは、位置からカメラまでの距離が異なるため、様々なぼやけた度合いや解像度で現れる。 同様の降雨パターンは、雨像やマルチスケール(またはマルチレゾリューション)バージョンで見ることができる。 本研究では,入力画像のスケールと階層的な深部特徴の観点から,雨天のマルチスケール協調表現について検討する。
  論文  参考訳（メタデータ） (2020-03-24T17:22:37Z)

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。