論文の概要: Streamlined Global and Local Features Combinator (SGLC) for High Resolution Image Dehazing

• arxiv url: http://arxiv.org/abs/2304.13375v1
• Date: Wed, 26 Apr 2023 08:34:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-27 15:10:09.869194
• Title: Streamlined Global and Local Features Combinator (SGLC) for High Resolution Image Dehazing
• Title（参考訳）: 高解像度画像デハージングのためのSGLC(Streamlined Global and Local Features Combinator)
• Authors: Bilel Benjdira, Anas M. Ali, Anis Koubaa
• Abstract要約: Image Dehazingは、画像から大気の霧や霧を取り除くことを目的としています。 この種の画像の場合、モデルは画像のダウンスケールバージョンや、それから採取したパッチで作業する必要がある。 本稿では,これらの問題を解決するためにStreamlined Global and Local Features Combinator (SGLC)を提案する。
• 参考スコア（独自算出の注目度）: 0.9453554184019107
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Image Dehazing aims to remove atmospheric fog or haze from an image. Although the Dehazing models have evolved a lot in recent years, few have precisely tackled the problem of High-Resolution hazy images. For this kind of image, the model needs to work on a downscaled version of the image or on cropped patches from it. In both cases, the accuracy will drop. This is primarily due to the inherent failure to combine global and local features when the image size increases. The Dehazing model requires global features to understand the general scene peculiarities and the local features to work better with fine and pixel details. In this study, we propose the Streamlined Global and Local Features Combinator (SGLC) to solve these issues and to optimize the application of any Dehazing model to High-Resolution images. The SGLC contains two successive blocks. The first is the Global Features Generator (GFG) which generates the first version of the Dehazed image containing strong global features. The second block is the Local Features Enhancer (LFE) which improves the local feature details inside the previously generated image. When tested on the Uformer architecture for Dehazing, SGLC increased the PSNR metric by a significant margin. Any other model can be incorporated inside the SGLC process to improve its efficiency on High-Resolution input data.
• Abstract（参考訳）: Image Dehazingは、画像から大気の霧や霧を取り除くことを目的としています。 近年、デハジングモデルは進化してきたが、高解像度のハジング画像の問題に正確に取り組んだ例はほとんどない。 この種の画像の場合、モデルは画像のダウンスケールバージョンや、それから採取したパッチで作業する必要がある。 いずれの場合も精度は低下する。 これは主に、画像サイズが大きくなるとグローバル機能とローカル機能を組み合わせることができないためである。 デヘイジングモデルでは、一般的なシーンの特異性を理解するためにグローバル機能と、細部とピクセルの詳細でよりうまく機能するローカル機能が必要である。 本研究では,これらの問題を解決し,高分解能画像へのデヘイジングモデルの適用を最適化するために,グローバル・ローカル・フィーチャーズ・コンビネータ(sglc)を提案する。 SGLCは2つの連続したブロックを含む。 1つ目はGlobal Features Generator(GFG)で、これは強力なグローバル機能を含むDehazedイメージの最初のバージョンを生成する。 第2のブロックはlocal features enhancer(lfe)で、以前生成されたイメージ内のローカル機能詳細を改善する。 脱ハジングのためのUformerアーキテクチャをテストすると、SGLCはPSNRの計量をかなりの差で増やした。 その他のモデルはSGLCプロセスに組み込むことができ、高分解能入力データの効率を向上させることができる。

関連論文リスト

• Learning Enriched Features via Selective State Spaces Model for Efficient Image Deblurring [0.0]
  Image Deblurringは、高品質な画像を、それに対応するぼやけた画像から復元することを目的としている。 本稿では、選択状態空間モデルを利用して、リッチで正確な特徴を集約する効率的な画像デブロアリングネットワークを提案する。 実験により,提案手法は広く用いられているベンチマークにおいて,最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-29T10:40:41Z)
• MixNet: Efficient Global Modeling for Ultra-High-Definition Image Restoration [36.15948393000783]
  そこで我々は,MixNetという新たな画像復元手法を提案する。 過剰な計算複雑性を伴わずに、機能の長距離依存性を捉えるために、Global Feature Modulation Layer (GFML)を提示する。 低照度画像強調,水中画像強調,画像劣化,画像復調を含む4つのUHD画像復元タスクについて広範な実験を行い,提案手法が現在の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-01-19T12:40:54Z)
• Local-Global Transformer Enhanced Unfolding Network for Pan-sharpening [13.593522290577512]
  パンシャーピングは,低分解能マルチスペクトル (LrMS) 画像の空間分解能を,対応するパンクロマティック (PAN) 画像の誘導により向上することを目的としている。 深層学習(DL)に基づくパンシャーピング法は有望な性能を達成しているが、そのほとんどは2倍の欠損を有する。
  論文  参考訳（メタデータ） (2023-04-28T03:34:36Z)
• Recursive Generalization Transformer for Image Super-Resolution [108.67898547357127]
  本稿では,大域空間情報を捕捉し,高分解能画像に適した画像SRのための再帰一般化変換器(RGT)を提案する。 我々は,RG-SAと局所的自己意識を組み合わせることで,グローバルな文脈の活用を促進する。 我々のRGTは最近の最先端の手法よりも定量的に質的に優れている。
  論文  参考訳（メタデータ） (2023-03-11T10:44:44Z)
• Cross-modal Local Shortest Path and Global Enhancement for Visible-Thermal Person Re-Identification [2.294635424666456]
  本稿では,局所的特徴とグローバル的特徴の同時学習に基づく2ストリームネットワークであるCM-LSP-GE(Cross-modal Local Shortest Path and Global Enhancement)モジュールを提案する。 2つの典型的なデータセットの実験結果は、我々のモデルは明らかに最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T10:27:22Z)
• Any-resolution Training for High-resolution Image Synthesis [55.19874755679901]
  生成モデルは、様々な大きさの自然画像であっても、一定の解像度で動作します。 すべてのピクセルが重要であり、そのネイティブ解像度で収集された可変サイズのイメージを持つデータセットを作成する、と我々は主張する。 ランダムなスケールでパッチをサンプリングし、可変出力解像度で新しいジェネレータを訓練するプロセスである。
  論文  参考訳（メタデータ） (2022-04-14T17:59:31Z)
• CM-GAN: Image Inpainting with Cascaded Modulation GAN and Object-Aware Training [112.96224800952724]
  複雑な画像に大きな穴をあける際の可視像構造を生成するためのカスケード変調GAN(CM-GAN)を提案する。 各デコーダブロックにおいて、まず大域変調を適用し、粗い意味認識合成構造を行い、次に大域変調の出力に空間変調を適用し、空間適応的に特徴写像を更に調整する。 さらに,ネットワークがホール内の新たな物体を幻覚させるのを防ぐため,実世界のシナリオにおける物体除去タスクのニーズを満たすために,オブジェクト認識型トレーニングスキームを設計する。
  論文  参考訳（メタデータ） (2022-03-22T16:13:27Z)
• Memory-augmented Deep Unfolding Network for Guided Image Super-resolution [67.83489239124557]
  誘導画像超解像(GISR)は、HR画像の誘導の下で低解像度(LR)目標画像の空間分解能を高めて高解像度(HR)目標画像を得る。 従来のモデルベース手法は主に画像全体を取り、HR目標画像とHRガイダンス画像との事前分布を仮定する。 HR目標画像上で2種類の事前性を持つGISRの最大後部(MAP)推定モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-12T15:37:13Z)
• InfinityGAN: Towards Infinite-Resolution Image Synthesis [92.40782797030977]
  任意の解像度画像を生成するinfinityganを提案する。 少ない計算資源でパッチバイパッチをシームレスに訓練し、推論する方法を示す。
  論文  参考訳（メタデータ） (2021-04-08T17:59:30Z)
• CooGAN: A Memory-Efficient Framework for High-Resolution Facial Attribute Editing [84.92009553462384]
  HR顔画像編集のためのNOVEL画素変換フレームワークCooperative GAN(CooGAN)を提案する。 このフレームワークは、きめ細かい局所的な顔パッチ生成のためのローカルパス(パッチレベルHR、ローメモリ)と、グローバル低解像度(LR)顔構造監視のためのグローバルパス(画像レベルLR、ローメモリ)を備えている。 さらに,より効率的なマルチスケール機能融合のための軽量な選択転写ユニットを提案する。
  論文  参考訳（メタデータ） (2020-11-03T08:40:00Z)

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。