論文の概要: Reliable Image Dehazing by NeRF

• arxiv url: http://arxiv.org/abs/2303.09153v1
• Date: Thu, 16 Mar 2023 08:34:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 16:16:41.282323
• Title: Reliable Image Dehazing by NeRF
• Title（参考訳）: NeRFによる信頼性画像のデハージング
• Authors: Zheyan Jin, Shiqi Chen, Huajun Feng, Zhihai Xu, Qi Li, Yueting Chen
• Abstract要約: 本稿では,高品質で広いアプリケーション,データトレーニングや事前の必要のない画像復調アルゴリズムを提案する。 そこで本研究では,光散乱モデルとコンピュータグラフィックスライティングレンダリングモデルの組み合わせにより,従来のデハージングモデルの欠陥を分析し,新しい信頼性の高いデハージング再構成およびデハージングモデルを提案する。 新しいヘイズモデルとカメラが取得した画像に基づいて、三次元空間を再構築し、空間内の物体やヘイズを正確に計算し、ヘイズの透明な関係を利用して正確なヘイズ除去を行う。
• 参考スコア（独自算出の注目度）: 16.679492999738788
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an image dehazing algorithm with high quality, wide application, and no data training or prior needed. We analyze the defects of the original dehazing model, and propose a new and reliable dehazing reconstruction and dehazing model based on the combination of optical scattering model and computer graphics lighting rendering model. Based on the new haze model and the images obtained by the cameras, we can reconstruct the three-dimensional space, accurately calculate the objects and haze in the space, and use the transparency relationship of haze to perform accurate haze removal. To obtain a 3D simulation dataset we used the Unreal 5 computer graphics rendering engine. In order to obtain real shot data in different scenes, we used fog generators, array cameras, mobile phones, underwater cameras and drones to obtain haze data. We use formula derivation, simulation data set and real shot data set result experimental results to prove the feasibility of the new method. Compared with various other methods, we are far ahead in terms of calculation indicators (4 dB higher quality average scene), color remains more natural, and the algorithm is more robust in different scenarios and best in the subjective perception.
• Abstract（参考訳）: 本稿では,高品質で広範で,データトレーニングや事前の必要のない画像デハジングアルゴリズムを提案する。 そこで本研究では,光散乱モデルとコンピュータグラフィックスライティングレンダリングモデルの組み合わせにより,従来のデハージングモデルの欠陥を分析し,新しい信頼性の高いデハージング再構成およびデハージングモデルを提案する。 新しいhazeモデルとカメラで得られた画像に基づいて3次元空間を再構成し、空間内の物体とhazeを正確に計算し、hazeの透明性関係を利用して正確なhaze除去を行う。 3次元シミュレーションデータセットを得るために、Unreal 5コンピュータグラフィックスレンダリングエンジンを使用しました。 様々な場面で実際の撮影データを得るために、霧発生器、アレイカメラ、携帯電話、水中カメラ、ドローンを使ってヘイズデータを得た。 式導出, シミュレーションデータセット, 実写データ集合を用いた実験結果を用いて, 提案手法の有効性を実証した。 他の様々な方法と比較すると、計算指標(4dbの高品質な平均シーン)、色は依然として自然であり、アルゴリズムは異なるシナリオでより堅牢であり、主観的知覚に最適である。

関連論文リスト

• LMHaze: Intensity-aware Image Dehazing with a Large-scale Multi-intensity Real Haze Dataset [14.141433473509826]
  本稿では,大規模で高品質な実世界のデータセットLMHazeを紹介する。 LMHazeは、屋内および屋外の多様な環境で撮影された、ヘイズフリーとヘイズフリーの2つの画像で構成されている。 そこで本研究では,Mambaをベースとした混合実験モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-21T15:20:02Z)
• SimHaze: game engine simulated data for real-world dehazing [31.13013422142817]
  本稿では,コンピュータグラフィックスを活用してクリーンなペア画像を生成する方法を提案する。 現代のゲームエンジンを用いて, クリープクリーンな画像とその精密な深度マップをレンダリングし, 高品質なヘイズ画像を合成してデハジングモデルの訓練を行う。 我々は、SimHaze単独でのトレーニングによって、最新のデハージングモデルが、以前のデハージングデータセットと比較して大幅にパフォーマンスを向上できることを示します。
  論文  参考訳（メタデータ） (2023-05-25T21:26:43Z)
• Relightify: Relightable 3D Faces from a Single Image via Diffusion Models [86.3927548091627]
  単一画像からの3次元顔BRDF再構成を高精度に行うために,拡散モデルを用いた最初のアプローチを提案する。 既存の手法とは対照的に,観測されたテクスチャを直接入力画像から取得することで,より忠実で一貫した推定が可能となる。
  論文  参考訳（メタデータ） (2023-05-10T11:57:49Z)
• Neural Lens Modeling [50.57409162437732]
  NeuroLens(ニューロレンス)は、点投影と光線鋳造に使用できる歪みと磁化のための神経レンズモデルである。 古典的なキャリブレーションターゲットを使用してプリキャプチャのキャリブレーションを行うことができ、後に3D再構成の際にキャリブレーションやリファインメントを行うために使用できる。 このモデルは、多くのレンズタイプにまたがって一般化されており、既存の3D再構成とレンダリングシステムとの統合は容易である。
  論文  参考訳（メタデータ） (2023-04-10T20:09:17Z)
• Model-Based Single Image Deep Dehazing [20.39952114471173]
  モデルベースおよびデータ駆動アプローチを融合させることにより,新しい単一画像デハージングアルゴリズムを導入する。 実験結果から,提案アルゴリズムは実世界のヘイズ画像や合成ヘイズ画像からヘイズをうまく除去できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T01:57:51Z)
• DIB-R++: Learning to Predict Lighting and Material with a Hybrid Differentiable Renderer [78.91753256634453]
  そこで本研究では,単体画像から固有物体特性を推定する難題について,微分可能量を用いて検討する。 そこで本研究では、スペクトル化とレイトレーシングを組み合わせることで、これらの効果をサポートするハイブリッド微分可能なDIBR++を提案する。 より高度な物理ベースの微分可能値と比較すると、DIBR++はコンパクトで表現力のあるモデルであるため、高い性能を持つ。
  論文  参考訳（メタデータ） (2021-10-30T01:59:39Z)
• Ground material classification and for UAV-based photogrammetric 3D data A 2D-3D Hybrid Approach [1.3359609092684614]
  近年,物理環境を表す3次元仮想データを作成するために,多くの領域でフォトグラム法が広く用いられている。 これらの最先端技術は、迅速な3D戦場再建、仮想訓練、シミュレーションを目的として、アメリカ陸軍と海軍の注意を引き付けている。
  論文  参考訳（メタデータ） (2021-09-24T22:29:26Z)
• 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)
• Advanced Multiple Linear Regression Based Dark Channel Prior Applied on Dehazing Image and Generating Synthetic Haze [0.6875312133832078]
  筆者らは,ダークチャネル・プリアー(dark channel prior)というデヘイジングアルゴリズムに基づく多重線形回帰ヘイズ除去モデルを提案する。 湿潤環境における物体検出精度を高めるため, 著者らは, 合成湿潤COCOトレーニングデータセットを構築するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-12T03:32:08Z)
• SimAug: Learning Robust Representations from Simulation for Trajectory Prediction [78.91518036949918]
  本研究では,シミュレーション学習データの拡張により,ロバスト表現を学習する新しい手法を提案する。 我々は,SimAugが実世界の3つのベンチマークで有望な結果を得ることを示す。
  論文  参考訳（メタデータ） (2020-04-04T21:22:01Z)
• 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。