論文の概要: Towards Generalization on Real Domain for Single Image Dehazing via Meta-Learning

• arxiv url: http://arxiv.org/abs/2211.07147v1
• Date: Mon, 14 Nov 2022 07:04:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 18:34:07.950573
• Title: Towards Generalization on Real Domain for Single Image Dehazing via Meta-Learning
• Title（参考訳）: メタラーニングによる単一画像デハジングの実領域一般化に向けて
• Authors: Wenqi Ren, Qiyu Sun, Chaoqiang Zhao, Yang Tang
• Abstract要約: 合成画像から得られた内部情報は、通常、実際の領域では準最適である。 本稿では,メタラーニングに基づくドメイン一般化フレームワークを提案する。 提案手法は,最先端の競争相手よりも優れた一般化能力を有する。
• 参考スコア（独自算出の注目度）: 41.99615673136883
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based image dehazing methods are essential to assist autonomous systems in enhancing reliability. Due to the domain gap between synthetic and real domains, the internal information learned from synthesized images is usually sub-optimal in real domains, leading to severe performance drop of dehaizing models. Driven by the ability on exploring internal information from a few unseen-domain samples, meta-learning is commonly adopted to address this issue via test-time training, which is hyperparameter-sensitive and time-consuming. In contrast, we present a domain generalization framework based on meta-learning to dig out representative and discriminative internal properties of real hazy domains without test-time training. To obtain representative domain-specific information, we attach two entities termed adaptation network and distance-aware aggregator to our dehazing network. The adaptation network assists in distilling domain-relevant information from a few hazy samples and caching it into a collection of features. The distance-aware aggregator strives to summarize the generated features and filter out misleading information for more representative internal properties. To enhance the discrimination of distilled internal information, we present a novel loss function called domain-relevant contrastive regularization, which encourages the internal features generated from the same domain more similar and that from diverse domains more distinct. The generated representative and discriminative features are regarded as some external variables of our dehazing network to regress a particular and powerful function for a given domain. The extensive experiments on real hazy datasets, such as RTTS and URHI, validate that our proposed method has superior generalization ability than the state-of-the-art competitors.
• Abstract（参考訳）: 学習に基づくイメージデハージング手法は、信頼性を高める自律システムを支援するために不可欠である。 合成領域と実領域の間の領域ギャップのため、合成画像から得られる内部情報は、通常実領域では最適ではないため、デハビリゼーションモデルの性能低下に繋がる。 未認識のいくつかのサンプルから内部情報を探索する能力によって、メタラーニングは、ハイパーパラメータに敏感で時間のかかるテスト時間トレーニングを通じてこの問題に対処するために一般的に採用されている。 対照的に,本論文では,メタラーニングに基づくドメイン一般化フレームワークを提案し,テスト時間トレーニングを行わずに,実hazyドメインの代表的および識別的内部特性を探索する。 代表的なドメイン固有情報を得るために,適応型ネットワークと距離認識型アグリゲータという2つのエンティティをデヘイジングネットワークに付加する。 適応ネットワークは、いくつかのヘージーなサンプルからドメイン関連情報を蒸留し、それらを特徴のコレクションにキャッシュするのを支援する。 距離対応アグリゲータは、生成された特徴を要約し、より代表的な内部特性のために誤解を招く情報をフィルタリングする。 蒸留した内部情報の識別を強化するために,同一領域から生成する内部特徴をより類似させ,多種多様な領域から生成する内部特徴をより異なるものにする,ドメイン関連コントラスト正規化と呼ばれる新しい損失関数を提案する。 生成された代表的特徴と識別的特徴は、特定のドメインに対して特定の強力な関数を回帰するために、デハジングネットワークの外部変数と見なされる。 RTTS や URHI などの実効性のあるデータセットに関する広範な実験により,提案手法が最先端の競合相手よりも優れた一般化能力を有することを確認した。

関連論文リスト

• DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
  因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。 我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。 DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
  論文  参考訳（メタデータ） (2024-02-29T07:09:01Z)
• Single Domain Dynamic Generalization for Iris Presentation Attack Detection [41.126916126040655]
  アイリスプレゼンテーションの一般化はドメイン内の設定では大きな成功を収めたが、目に見えないドメインでは容易に分解できる。 本稿では,ドメイン不変性とドメイン固有性を利用した単一ドメイン動的一般化(SDDG)フレームワークを提案する。 提案手法は有効であり,LivDet-Iris 2017データセットの最先端性を上回っている。
  論文  参考訳（メタデータ） (2023-05-22T07:54:13Z)
• Aggregation of Disentanglement: Reconsidering Domain Variations in Domain Generalization [9.577254317971933]
  ドメイン変種には、下流のタスクに有用な情報、すなわち分類対応情報も含まれている、と我々は主張する。 本稿では,ドメインエキスパートの特徴をソース・ドメイン・イメージから切り離すために,DDN(Domain Disentanglement Network)と呼ばれる新しいパラダイムを提案する。 また、ドメインの専門家がよりバランスよく分離可能な機能空間を形成するための、新しい対照的な学習方法を提案します。
  論文  参考訳（メタデータ） (2023-02-05T09:48:57Z)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• Gated Domain Units for Multi-source Domain Generalization [14.643490853965385]
  分散シフト(DS)は、テスト時のデータセットとトレーニング時のデータセットが異なる場合に発生する。 GDU(Gated Domain Units)で構成されるモジュール型ニューラルネットワークレイヤを導入し,各潜伏する基本分布の表現を学習する。 推論中、各基本分布の表現と新しい観測結果を比較することで、重み付けされた学習機械のアンサンブルを作成することができる。
  論文  参考訳（メタデータ） (2022-06-24T18:12:38Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)

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。