論文の概要: Non-aligned supervision for Real Image Dehazing

• arxiv url: http://arxiv.org/abs/2303.04940v1
• Date: Wed, 8 Mar 2023 23:23:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-10 16:39:07.977958
• Title: Non-aligned supervision for Real Image Dehazing
• Title（参考訳）: 実画像デハジングの非整合監督
• Authors: Junkai Fan, Fei Guo, Jianjun Qian, Xiang Li, Jun Li and Jian Yang
• Abstract要約: 本稿では,3つのネットワークから構成される非整合型監視フレームワークを提案する。 私たちの設定では、誤調整やシフトビューの条件下であっても、現実の環境において、ヘイズ/クリアなイメージペアの収集が容易になります。
• 参考スコア（独自算出の注目度）: 28.49610092117808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Removing haze from real-world images is challenging due to unpredictable weather conditions, resulting in misaligned hazy and clear image pairs. In this paper, we propose a non-aligned supervision framework that consists of three networks - dehazing, airlight, and transmission. In particular, we explore a non-alignment setting by utilizing a clear reference image that is not aligned with the hazy input image to supervise the dehazing network through a multi-scale reference loss that compares the features of the two images. Our setting makes it easier to collect hazy/clear image pairs in real-world environments, even under conditions of misalignment and shift views. To demonstrate this, we have created a new hazy dataset called "Phone-Hazy", which was captured using mobile phones in both rural and urban areas. Additionally, we present a mean and variance self-attention network to model the infinite airlight using dark channel prior as position guidance, and employ a channel attention network to estimate the three-channel transmission. Experimental results show that our framework outperforms current state-of-the-art methods in the real-world image dehazing. Phone-Hazy and code will be available at https://github.com/hello2377/NSDNet.
• Abstract（参考訳）: 実際の画像からヘイズを除去することは、予測不可能な気象条件のために困難であり、不整合と鮮明な画像ペアが生じる。 本稿では,3つのネットワーク(デハジング,エアライト,トランスミッション)からなる非アライメント監視フレームワークを提案する。 特に,両画像の特徴を比較するマルチスケールの参照損失を通じて,ハズ入力画像と一致しない明瞭な参照画像を用いて,デハズネットワークを監督することにより,非アライメント設定を探索する。 この設定により、不一致やシフトビューの条件下であっても、実環境におけるhazy/clear画像ペアの収集が容易になる。 これを実証するために,我々は,農村部と都市部の両方で携帯電話を用いて収集した「phone-hazy」と呼ばれる新しいhazyデータセットを作成した。 さらに,位置指示に先立って暗黒チャネルを用いて無限の空域をモデル化するための平均及び分散自己注意ネットワークを提案し,チャネルアテンションネットワークを用いて3チャンネル送信を推定する。 実験の結果,本フレームワークは実世界のデハジングにおける最先端の手法よりも優れていた。 Phone-Hazyとコードはhttps://github.com/hello2377/NSDNet.comから入手できる。

関連論文リスト

• WTCL-Dehaze: Rethinking Real-world Image Dehazing via Wavelet Transform and Contrastive Learning [17.129068060454255]
  自律運転や監視といったアプリケーションには、単一イメージのデハジングが不可欠だ。 コントラスト損失と離散ウェーブレット変換を統合した半教師付きデハージングネットワークを提案する。 提案アルゴリズムは,最先端の単一画像復調法と比較して,優れた性能とロバスト性を実現している。
  論文  参考訳（メタデータ） (2024-10-07T05:36:11Z)
• 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)
• 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)
• SCANet: Self-Paced Semi-Curricular Attention Network for Non-Homogeneous Image Dehazing [56.900964135228435]
  既存の均質脱ハージング法は、強靭な方法でヘイズの不均一分布を扱うのに苦労する。 非均質なイメージデハージングのための,SCANet と呼ばれる新しい自己ペースト半曲的アテンションネットワークを提案する。 本手法は,アテンションジェネレータネットワークとシーン再構築ネットワークから構成される。
  論文  参考訳（メタデータ） (2023-04-17T17:05:29Z)
• 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)
• Contrastive Learning for Compact Single Image Dehazing [41.83007400559068]
  コントラスト学習に基づいて構築された新しいコントラスト正規化(CR)を提案し、ヘイズ画像とクリア画像の情報の両方をネガティブかつポジティブなサンプルとして活用する。 CRは、復元された画像が透明な画像に近づき、表現空間のぼやけた画像から遠くへ押し出されることを保証する。 性能とメモリストレージのトレードオフを考慮すると、オートエンコーダのようなフレームワークに基づくコンパクトなデハージングネットワークを開発する。
  論文  参考訳（メタデータ） (2021-04-19T14:56:21Z)
• Dehaze-GLCGAN: Unpaired Single Image De-hazing via Adversarial Training [3.5788754401889014]
  単一画像デハジングのためのデハジンググローバルローカルサイクル一貫性生成適応ネットワーク(Dehaze-GLCGAN)を提案する。 3つのベンチマークデータセットに対する実験により、ネットワークはPSNRとSSIMの点で過去の作業より優れていたことが判明した。
  論文  参考訳（メタデータ） (2020-08-15T02:43:00Z)
• You Only Look Yourself: Unsupervised and Untrained Single Image Dehazing Neural Network [63.2086502120071]
  地中清浄画像(教師なし)と画像収集(訓練なし)を訓練することなく、深層学習が画像脱ハージングを実現する方法について検討する。 教師なしニューラルネットワークは、ヘイジークリーンなイメージペアの集中的な労働力を回避し、トレーニングされていないモデルは、真のシングルイメージデハージングアプローチである。 層解離のアイデアに触発されて、イメージデハージングのための最初の教師なし、訓練されていないニューラルネットワークの1つになり得る、あなただけ(textbfYOLY)と呼ばれる新しい方法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T14:05:47Z)

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。