論文の概要: Unlocking Low-Light-Rainy Image Restoration by Pairwise Degradation
Feature Vector Guidance
- arxiv url: http://arxiv.org/abs/2305.03997v2
- Date: Sun, 20 Aug 2023 12:33:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 23:53:20.140762
- Title: Unlocking Low-Light-Rainy Image Restoration by Pairwise Degradation
Feature Vector Guidance
- Title(参考訳): Pairwise Degradation Feature Vector Guidanceによる低照度画像のアンロック
- Authors: Xin Lin and Jingtong Yue and Sixian Ding and Chao Ren and Chun-Le Guo
and Chongyi Li
- Abstract要約: L2RIRNet$という,低照度化とデラミネーションを両立できるエンド・ツー・エンドのネットワークを提案する。
我々のネットワークは主に、P-Net(Pairwise Degradation Feature Vector extract Network)とRecovery Network(R-Net)を含む。
- 参考スコア(独自算出の注目度): 40.06115958764975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rain in the dark is a common natural phenomenon. Photos captured in such a
condition significantly impact the performance of various nighttime activities,
such as autonomous driving, surveillance systems, and night photography. While
existing methods designed for low-light enhancement or deraining show promising
performance, they have limitations in simultaneously addressing the task of
brightening low light and removing rain. Furthermore, using a cascade approach,
such as ``deraining followed by low-light enhancement'' or vice versa, may lead
to difficult-to-handle rain patterns or excessively blurred and overexposed
images. To overcome these limitations, we propose an end-to-end network called
$L^{2}RIRNet$ which can jointly handle low-light enhancement and deraining. Our
network mainly includes a Pairwise Degradation Feature Vector Extraction
Network (P-Net) and a Restoration Network (R-Net). P-Net can learn degradation
feature vectors on the dark and light areas separately, using contrastive
learning to guide the image restoration process. The R-Net is responsible for
restoring the image. We also introduce an effective Fast Fourier - ResNet
Detail Guidance Module (FFR-DG) that initially guides image restoration using
detail image that do not contain degradation information but focus on texture
detail information. Additionally, we contribute a dataset containing synthetic
and real-world low-light-rainy images. Extensive experiments demonstrate that
our $L^{2}RIRNet$ outperforms existing methods in both synthetic and complex
real-world scenarios.
- Abstract(参考訳): 暗闇の中の雨は一般的な自然現象である。
このような状態で撮影された写真は、自律運転、監視システム、夜間撮影など、様々な夜間活動のパフォーマンスに大きな影響を及ぼす。
既成の低光度増光・減光は有望な性能を示すが、低光度化と降雨除去を同時に行うには限界がある。
さらに,「低照度化」などのカスケード手法を用いることで,降雨パターンや過度にぼやけた画像や過度に露出した画像の処理が困難になる可能性がある。
これらの制約を克服するために、低照度化とデライニングを両立できる$L^{2}RIRNet$というエンドツーエンドネットワークを提案する。
我々のネットワークは主に、Pairwise Degradation Feature Vector extract Network (P-Net)とRecovery Network (R-Net)を含む。
P-Netは、画像復元プロセスのガイドとしてコントラスト学習を用いて、暗黒領域と光領域の劣化特徴ベクトルを別々に学習することができる。
R-Netはイメージの復元に責任がある。
また, 劣化情報ではなく, テクスチャの詳細情報に焦点をあてたディテール画像を用いて, 画像復元を誘導するFast Fourier - ResNet Detail Guidance Module (FFR-DG) を導入する。
さらに,合成および実世界の低照度画像を含むデータセットも提供した。
広範な実験によって、$l^{2}rirnet$は、合成と複雑な実世界のシナリオの両方において既存のメソッドよりも優れています。
関連論文リスト
- NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative
Learning for Dynamic Driving Scenes [52.904913650645796]
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) - LIR: A Lightweight Baseline for Image Restoration [4.907416877454047]
画像復元のための軽量ベースラインであるLIRを提案し,画像の効率的な再構成と劣化の除去を行う。
LIRは、現代のネットワークで無視される局所的および大域的残差接続に存在する劣化に対処する。
我々のLIRは,特定のタスクにおけるパラメータや計算量が少なく,最先端モデルに匹敵する性能を実現している。
論文 参考訳(メタデータ) (2024-02-02T12:39:47Z) - Division Gets Better: Learning Brightness-Aware and Detail-Sensitive
Representations for Low-Light Image Enhancement [10.899693396348171]
LCDBNetは、輝度調整ネットワーク(LAN)と色復元ネットワーク(CRN)の2つのブランチで構成されている。
LANは、長距離依存と局所的な注意相関を利用した輝度認識機能を学ぶ責任を負う。
CRNはマルチレベルウェーブレット分解によるディテールセンシティブな特徴の学習に重点を置いている。
最後に、融合ネットワークは、学習した特徴をブレンドして視覚的に印象的な画像を生成するように設計されている。
論文 参考訳(メタデータ) (2023-07-18T09:52:48Z) - Semi-DRDNet Semi-supervised Detail-recovery Image Deraining Network via
Unpaired Contrastive Learning [59.22620253308322]
半教師付き詳細復元画像デラミニングネットワーク(セミDRDNet)を提案する。
半教師付き学習パラダイムとして、Semi-DRDNetは、強靭性と詳細な精度を犠牲にして、合成データと実世界の降雨データの両方を円滑に運用する。
論文 参考訳(メタデータ) (2022-04-06T12:35:27Z) - Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。
本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-01-10T03:12:52Z) - Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。
対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。
低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
論文 参考訳(メタデータ) (2021-12-24T17:00:54Z) - SAPNet: Segmentation-Aware Progressive Network for Perceptual
Contrastive Deraining [2.615176171489612]
単一画像のデライニングのためのコントラスト学習に基づくセグメンテーション・アウェア・プログレッシブ・ネットワーク(SAPNet)を提案する。
本モデルでは,オブジェクト検出とセマンティックセマンティックセグメンテーションを高い精度で支援する。
論文 参考訳(メタデータ) (2021-11-17T03:57:11Z) - Rain Removal and Illumination Enhancement Done in One Go [1.0323063834827415]
本稿では,雨を除去し,照明を1回で強化できる新しい絡み合いネットワークEMNetを提案する。
雨画像復元アルゴリズムの開発を促進するために,新しい合成データセットDarkRainを提案する。
EMNetは提案したベンチマークで広範囲に評価され、最先端の結果が得られた。
論文 参考訳(メタデータ) (2021-08-09T08:46:15Z) - Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。
カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。
LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文 参考訳(メタデータ) (2021-03-19T04:00:27Z)
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。