論文の概要: Restormer-Plus for Real World Image Deraining: One State-of-the-Art
Solution to the GT-RAIN Challenge (CVPR 2023 UG$^2$+ Track 3)
- arxiv url: http://arxiv.org/abs/2305.05454v1
- Date: Tue, 9 May 2023 13:48:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 12:40:46.677556
- Title: Restormer-Plus for Real World Image Deraining: One State-of-the-Art
Solution to the GT-RAIN Challenge (CVPR 2023 UG$^2$+ Track 3)
- Title（参考訳）: Restormer-Plus for Real World Image Deraining: One State-of-the-Art Solution to the GT-RAIN Challenge (CVPR 2023 UG$^2$+ Track 3)
- Authors: Chaochao Zheng, Luping Wang, Bin Liu
- Abstract要約: Restormer-Plus は GT-RAIN Challenge (CVPR 2023 UG$2$+ Track 3) に提出された。
主に4つのモジュールで構成されており、単一のイメージデライニングモジュール、中央フィルタリングモジュール、重み付き平均化モジュール、後処理モジュールである。
- 参考スコア（独自算出の注目度）: 11.132835932435627
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This technical report presents our Restormer-Plus approach, which was
submitted to the GT-RAIN Challenge (CVPR 2023 UG$^2$+ Track 3). Details
regarding the challenge are available at
http://cvpr2023.ug2challenge.org/track3.html. Our Restormer-Plus outperformed
all other submitted solutions in terms of peak signal-to-noise ratio (PSNR). It
consists mainly of four modules: the single image de-raining module, the median
filtering module, the weighted averaging module, and the post-processing
module. We named the single-image de-raining module Restormer-X, which is built
on Restormer and performed on each rainy image. The median filtering module is
employed as a median operator for the 300 rainy images associated with each
scene. The weighted averaging module combines the median filtering results with
that of Restormer-X to alleviate overfitting if we only use Restormer-X.
Finally, the post-processing module is used to improve the brightness
restoration. Together, these modules render Restormer-Plus to be one
state-of-the-art solution to the GT-RAIN Challenge. Our code is available at
https://github.com/ZJLAB-AMMI/Restormer-Plus.
- Abstract（参考訳）: 本技術報告では,GT-RAIN Challenge(CVPR 2023 UG$^2$+ Track 3)に提出したRestormer-Plusアプローチについて述べる。
チャレンジの詳細はhttp://cvpr2023.ug2challenge.org/track3.htmlで確認できる。
restormer-plusはピーク信号対雑音比(psnr)で他の全てのソリューションを上回った。
主に4つのモジュールで構成されており、単一のイメージデライニングモジュール、中央フィルタリングモジュール、重み付き平均化モジュール、後処理モジュールである。
restormer上に構築され,雨画像毎に実行される単一画像デレイティングモジュールrestormer-xを命名した。
中央フィルタリングモジュールは、各シーンに関連する300の雨画像の中央オペレータとして使用される。
重み付けされた平均モジュールは、中央値のフィルタリング結果をRestormer-Xと組み合わせて、Restormer-Xのみを使用する場合のオーバーフィッティングを軽減する。
最後に、後処理モジュールを使用して輝度回復を改善する。
これらのモジュールを合わせて、Restormer-PlusはGT-RAIN Challengeの最先端ソリューションのひとつとなる。
私たちのコードはhttps://github.com/ZJLAB-AMMI/Restormer-Plusで公開されています。
関連論文リスト
- NTIRE 2024 Restore Any Image Model (RAIM) in the Wild Challenge [60.21380105535203]
RAIMチャレンジは野生での画像復元のためのベンチマークを構築した。
参加者は、実際の撮影画像が複雑で未知の劣化から復元されることが求められた。
トップランクの手法は最先端の復元性能を改善し、18人の審査員から全会一致の承認を得た。
論文 参考訳（メタデータ） (2024-05-16T09:26:13Z) - All-weather Multi-Modality Image Fusion: Unified Framework and 100k Benchmark [42.49073228252726]
MMIF(Multi-modality Image fusion)は、異なる画像モダリティからの相補的な情報を組み合わせて、より包括的で客観的なシーン解釈を提供する。
既存のMMIF法では、現実の場面で異なる気象干渉に抵抗する能力が欠如しており、自律運転のような実践的な応用では利用できない。
この文脈で効率的なマルチタスクを実現するために,全天候MMIFモデルを提案する。
実世界の場面と合成シーンの両方における実験結果から,提案アルゴリズムは細部回復と多モード特徴抽出に優れることが示された。
論文 参考訳（メタデータ） (2024-02-03T09:02:46Z) - DiffBIR: Towards Blind Image Restoration with Generative Diffusion Prior [70.46245698746874]
DiffBIRは、視覚の異なる画像復元タスクを処理できる一般的な修復パイプラインである。
DiffBIRは, ブラインド画像復元問題を, 1) 劣化除去: 画像に依存しない内容の除去; 2) 情報再生: 失われた画像内容の生成の2段階に分離する。
第1段階では, 修復モジュールを用いて劣化を除去し, 高忠実度復元結果を得る。
第2段階では、潜伏拡散モデルの生成能力を活用して現実的な詳細を生成するIRControlNetを提案する。
論文 参考訳（メタデータ） (2023-08-29T07:11:52Z) - A Two-Stage Real Image Deraining Method for GT-RAIN Challenge CVPR 2023
Workshop UG$^{\textbf{2}}$+ Track 3 [15.370704973282848]
雨のフレームから鮮明な画像を再構成する2段階の効率的なフレームワークを提案する。
変圧器をベースとした単一画像デライニングネットワークUformerは,大規模な降雨データセット上で事前トレーニングを行うために実装されている。
われわれのフレームワークは精巧に設計されており、豪雨と霧の双方を処理できる。
論文 参考訳（メタデータ） (2023-05-13T18:30:27Z) - 1st Place Solutions for UG2+ Challenge 2022 ATMOSPHERIC TURBULENCE
MITIGATION [11.380487356442863]
歪んだフレームから高品質な画像を再構成するための統一的なエンドツーエンドフレームワークを提案する。
我々のフレームワークは効率的で汎用的であり、ホットエアイメージとテキストパターンの両方に対応しています。
テキストパターンの復元結果の平均精度は98.53%に達し、最終リーダーボードで1位となった。
論文 参考訳（メタデータ） (2022-10-30T14:11:36Z) - AIM 2022 Challenge on Instagram Filter Removal: Methods and Results [66.98814754338841]
本稿では,Instagramフィルタ除去におけるAIM 2022チャレンジの方法と結果を紹介する。
この課題の主な目的は、コンテンツを保存する際に適用されたフィルタの影響を緩和する、現実的で視覚的に可視な画像を作ることである。
ベースラインとしてこのタスクに関する2つの先行研究があり、チャレンジの最終段階では合計9つのチームが競い合っています。
論文 参考訳（メタデータ） (2022-10-17T12:21:59Z) - NTIRE 2022 Challenge on High Dynamic Range Imaging: Methods and Results [173.32437855731752]
この課題はCVPR 2022と共同でNTIRE(New Trends in Image Restoration and Enhancement)ワークショップの一環として行われた。
この課題は、複数の低ダイナミックレンジ(LDR)観測からHDR画像を推定することを目的としている。
論文 参考訳（メタデータ） (2022-05-25T10:20:06Z) - Exploiting Global and Local Attentions for Heavy Rain Removal on Single
Images [35.596659286313766]
単一画像からの豪雨除去は、雨のストレークと霧を同時に排除する作業である。
既存の降雨除去方法は, 大雨の場合, あまり一般的ではない。
3つのサブネットワークからなる新しいネットワークアーキテクチャを提案し、単一の画像から大雨を取り除く。
論文 参考訳（メタデータ） (2021-04-16T14:08:27Z) - AIM 2020 Challenge on Learned Image Signal Processing Pipeline [150.55468168329926]
本稿では,第2回AIM学習ISPチャレンジをレビューし,提案したソリューションと結果について解説する。
参加チームは現実世界のRAW-to-RGBマッピング問題を解決し、Huawei P20デバイスが捉えた品質の低いRAW画像を、Canon 5D DSLRカメラで取得したのと同じ写真にマッピングすることを目的としていた。
提案手法はベースライン結果を大幅に改善し,実用的な画像信号処理パイプラインモデリングのための最先端技術を定義した。
論文 参考訳（メタデータ） (2020-11-10T09:25:47Z) - NTIRE 2020 Challenge on Image Demoireing: Methods and Results [111.72904895149804]
この課題はCVPR 2020と共同で開かれたNTIRE(New Trends in Image Restoration and Enhancement)ワークショップの一部だった。
提案手法は, 地上の真理清浄画像と参加者の手法による復元画像とのピーク信号-雑音比(PSNR)を用いて, その忠実度を評価した。
論文 参考訳（メタデータ） (2020-05-06T22:05:58Z)
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。