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

• arxiv url: http://arxiv.org/abs/2303.04940v4
• Date: Fri, 5 Jan 2024 07:04:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-08 18:46:47.787849
• 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: 非整合的な監督の下で機能する革新的な脱ハージングフレームワークを提案する。 特に、入力されたハジー画像と一致しない明確な参照画像を用いて、デハージングネットワークを監督する非アライメントシナリオを探索する。 我々のシナリオは、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を収集しやすくする。
• 参考スコア（独自算出の注目度）: 25.078264991940806
• 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 the misalignment of hazy and clear image pairs. In this paper, we propose an innovative dehazing framework that operates under non-aligned supervision. This framework is grounded in the atmospheric scattering model, and consists of three interconnected networks: dehazing, airlight, and transmission networks. In particular, we explore a non-alignment scenario that a clear reference image, unaligned with the input hazy image, is utilized to supervise the dehazing network. To implement this, we present a multi-scale reference loss that compares the feature representations between the referred image and the dehazed output. Our scenario makes it easier to collect hazy/clear image pairs in real-world environments, even under conditions of misalignment and shift views. To showcase the effectiveness of our scenario, we have collected a new hazy dataset including 415 image pairs captured by mobile Phone in both rural and urban areas, called "Phone-Hazy". Furthermore, we introduce a self-attention network based on mean and variance for modeling real infinite airlight, using the dark channel prior as positional guidance. Additionally, a channel attention network is employed to estimate the three-channel transmission. Experimental results demonstrate the superior performance of our framework over existing state-of-the-art techniques in the real-world image dehazing task. Phone-Hazy and code will be available at https://fanjunkai1.github.io/projectpage/NSDNet/index.html.
• 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、その結果、ヘイズとクリアな画像のペアが不一致となる。 本稿では,非協調的監督下で機能する革新的なデハジングフレームワークを提案する。 この枠組みは大気散乱モデルに基づいており、デハジング、エアライト、トランスミッションネットワークの3つの相互接続ネットワークで構成されている。 特に、入力されたハジー画像と一致しない明確な参照画像を用いて、デハージングネットワークを監督する非アライメントシナリオを探索する。 これを実現するために,参照画像とデハズド出力の特徴表現を比較したマルチスケール参照損失を提案する。 私たちのシナリオでは、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イメージペアの収集が容易になります。 このシナリオの有効性を示すために,我々は,Phone-Hazyと呼ばれる,農村と都市の両方で携帯電話が捉えた415枚の画像ペアを含む,新しいハジーデータセットを収集した。 さらに, 位置案内に先立ち, 暗チャネルを用いて, 実無限の空気光をモデル化するための平均と分散に基づく自己追尾ネットワークを提案する。 また、チャネル注意ネットワークを用いて3チャンネル伝送を推定する。 実世界の画像デハジングタスクにおいて,既存の最先端技術よりも優れた性能を示す実験結果が得られた。 Phone-Hazyとコードはhttps://fanjunkai1.github.io/projectpage/NSDNet/index.htmlで入手できる。

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。