論文の概要: A Two-Stage Real Image Deraining Method for GT-RAIN Challenge CVPR 2023
Workshop UG$^{\textbf{2}}$+ Track 3
- arxiv url: http://arxiv.org/abs/2305.07979v1
- Date: Sat, 13 May 2023 18:30:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 18:32:44.654769
- Title: A Two-Stage Real Image Deraining Method for GT-RAIN Challenge CVPR 2023
Workshop UG$^{\textbf{2}}$+ Track 3
- Title(参考訳): gt-rain challenge cvpr 2023 workshop ug$^{\textbf{2}}$+ track 3の2段階実画像レーディング手法
- Authors: Yun Guo, Xueyao Xiao, Xiaoxiong Wang, Yi Li, Yi Chang, Luxin Yan
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 15.370704973282848
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this technical report, we briefly introduce the solution of our team
HUST\li VIE for GT-Rain Challenge in CVPR 2023 UG$^{2}$+ Track 3. In this task,
we propose an efficient two-stage framework to reconstruct a clear image from
rainy frames. Firstly, a low-rank based video deraining method is utilized to
generate pseudo GT, which fully takes the advantage of multi and aligned rainy
frames. Secondly, a transformer-based single image deraining network Uformer is
implemented to pre-train on large real rain dataset and then fine-tuned on
pseudo GT to further improve image restoration. Moreover, in terms of visual
pleasing effect, a comprehensive image processor module is utilized at the end
of pipeline. Our overall framework is elaborately designed and able to handle
both heavy rainy and foggy sequences provided in the final testing phase.
Finally, we rank 1st on the average structural similarity (SSIM) and rank 2nd
on the average peak signal-to-noise ratio (PSNR). Our code is available at
https://github.com/yunguo224/UG2_Deraining.
- Abstract(参考訳): 本稿では,CVPR 2023 UG$^{2}$+ Track 3におけるGT-Rain ChallengeのためのチームHUST\li VIEのソリューションについて紹介する。
本研究では,雨のフレームから鮮明な画像を再構成する効率的な二段階フレームワークを提案する。
まず,マルチフレームとアライメントされた雨枠の利点を生かした疑似gtを生成するために,低ランクビデオデライニング手法を用いる。
第2に,大規模な実雨データセットを事前トレーニングし,擬似gtを微調整して画像復元をさらに改善するために,トランスフォーマによる単一画像レーダネットワーク uformer を実装した。
さらに、視覚的快楽効果の面では、パイプラインの終了時に包括的な画像処理モジュールが使用される。
我々の全体的なフレームワークは精巧に設計されており、最終テストフェーズで提供される豪雨シーケンスと霧のシーケンスの両方を処理できます。
最後に、平均構造類似度(SSIM)で1位、平均ピーク信号-雑音比(PSNR)で2位にランクする。
私たちのコードはhttps://github.com/yunguo224/ug2_derainingで利用可能です。
関連論文リスト
- RainyScape: Unsupervised Rainy Scene Reconstruction using Decoupled Neural Rendering [50.14860376758962]
多視点降雨画像の集合からクリーンなシーンを再構築するための教師なしフレームワークであるRainyScapeを提案する。
ニューラルネットワークのスペクトルバイアス特性に基づいて、まずニューラルネットワークのレンダリングパイプラインを最適化し、低周波シーン表現を得る。
我々は2つのモジュールを協調的に最適化し,適応的指向性勾配に基づく再構成損失によって駆動する。
論文 参考訳(メタデータ) (2024-04-17T14:07:22Z) - Sparse Sampling Transformer with Uncertainty-Driven Ranking for Unified
Removal of Raindrops and Rain Streaks [17.00078021737863]
実際の世界では、雨による画像劣化は、しばしば雨害と雨滴の組み合わせを示し、それによって根底にあるクリーンなイメージを回復する課題が増大する。
本稿は,グローバルな視点における劣化関係を学習し,モデル化するための,効率的かつ柔軟なメカニズムを提案することを目的とする。
論文 参考訳(メタデータ) (2023-08-27T16:33:11Z) - From Sky to the Ground: A Large-scale Benchmark and Simple Baseline
Towards Real Rain Removal [28.029107707930063]
我々は,100万の高解像度(1920*1080)フレーム対を持つ3000の動画シーケンスを含む大規模高品質ペアド実雨量ベンチマーク(LHP-Rain)を構築した。
提案したデータセットの利点は3つある: 雨は多彩で大規模、画像は高解像度で高画質の地上構造である。
論文 参考訳(メタデータ) (2023-08-07T18:39:14Z) - Toward Real-world Single Image Deraining: A New Benchmark and Beyond [79.5893880599847]
現実シナリオにおけるSID(Single Image deraining)は近年注目されている。
以前の実際のデータセットは、低解像度の画像、均一な雨のストリーク、背景の変化の制限、イメージペアの誤調整に悩まされていた。
我々はRealRain-1kという新しい高品質のデータセットを構築した。
論文 参考訳(メタデータ) (2022-06-11T12:26:59Z) - Feature-Aligned Video Raindrop Removal with Temporal Constraints [68.49161092870224]
雨滴除去は、単一画像とビデオの両方において困難である。
熱帯雨林とは異なり、雨滴は複数のフレームで同じ地域を覆う傾向にある。
本手法では,2段階の降雨量除去手法を用いる。
論文 参考訳(メタデータ) (2022-05-29T05:42:14Z) - 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) - Structure-Preserving Deraining with Residue Channel Prior Guidance [33.41254475191555]
多くのハイレベルコンピュータビジョンタスクにおいて、単一画像のデアライニングが重要である。
RCP誘導を用いた構造保存評価ネットワーク(SPDNet)を提案する。
SPDNetは、RCPガイダンスの下で、明瞭で正確な構造を持つ高品質な無雨画像を直接生成する。
論文 参考訳(メタデータ) (2021-08-20T09:09:56Z) - RCDNet: An Interpretable Rain Convolutional Dictionary Network for
Single Image Deraining [49.99207211126791]
雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。
RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。
このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
論文 参考訳(メタデータ) (2021-07-14T16:08:11Z) - SDNet: mutil-branch for single image deraining using swin [14.574622548559269]
画像デラリニングの分野にスウィントランスを初めて導入する。
具体的には,Swin-transformerの基本モジュールを改良し,単画像降雨除去を実現する3分岐モデルの設計を行う。
提案手法は,現在主流となっている降雨ストリーク除去モデルに対して,性能と予測速度の優位性を有する。
論文 参考訳(メタデータ) (2021-05-31T16:06:02Z) - Multi-Scale Progressive Fusion Network for Single Image Deraining [84.0466298828417]
空気中の雨のストリークは、位置からカメラまでの距離が異なるため、様々なぼやけた度合いや解像度で現れる。
同様の降雨パターンは、雨像やマルチスケール(またはマルチレゾリューション)バージョンで見ることができる。
本研究では,入力画像のスケールと階層的な深部特徴の観点から,雨天のマルチスケール協調表現について検討する。
論文 参考訳(メタデータ) (2020-03-24T17:22:37Z)
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。