Fugu-MT 論文翻訳(概要): Restoring Images Captured in Arbitrary Hybrid Adverse Weather Conditions in One Go

論文の概要: Restoring Images Captured in Arbitrary Hybrid Adverse Weather Conditions in One Go

arxiv url: http://arxiv.org/abs/2305.09996v1
Date: Wed, 17 May 2023 06:42:42 GMT
ステータス: 処理完了
システム内更新日: 2023-05-18 17:15:23.627398
Title: Restoring Images Captured in Arbitrary Hybrid Adverse Weather Conditions in One Go
Title（参考訳）: 任意ハイブリッド気象条件下での1歩の復元画像
Authors: Ye-Cong Wan, Ming-Wen Shao, Yuan-Shuo Cheng, Yue-Xian Liu, Zhi-Yuan Bao, De-Yu Meng
Abstract要約: RAHCと呼ばれる新しい統合されたフレームワークを,任意ハイブリッド気象条件を1回に保存する。一方,HACと呼ばれる新しいデータセットを構築し,任意のハイブリッド逆条件の復元を学習し,ベンチマークする。
参考スコア（独自算出の注目度）: 30.851280235040402
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Adverse conditions typically suffer from stochastic hybrid weather degradations (e.g., rainy and hazy night), while existing image restoration algorithms envisage that weather degradations occur independently, thus may fail to handle real-world complicated scenarios. Besides, supervised training is not feasible due to the lack of comprehensive paired dataset to characterize hybrid conditions. To this end, we have advanced the forementioned limitations with two tactics: framework and data. On the one hand, we present a novel unified framework, dubbed RAHC, to Restore Arbitrary Hybrid adverse weather Conditions in one go, which can comfortably cope with hybrid scenarios with insufficient remaining background constituents and restore arbitrary hybrid conditions with a single trained model flexibly. On the other hand, we establish a new dataset, termed HAC, for learning and benchmarking arbitrary Hybrid Adverse Conditions restoration. HAC contains 31 scenarios composed of an arbitrary combination of five common weather, with a total of ~316K adverse-weather/clean pairs. As for fabrication, the training set is automatically generated by a dedicated AdverseGAN with no-frills labor, while the test set is manually modulated by experts for authoritative evaluation. Extensive experiments yield superior results and in particular establish new state-of-the-art results on both HAC and conventional datasets.
Abstract（参考訳）: 逆条件は通常、確率的なハイブリッド気象の劣化(雨や曇りの夜など)に悩まされるが、既存の画像復元アルゴリズムでは、気象の悪化は独立して起こるので、現実の複雑なシナリオに対処できない可能性がある。さらに、ハイブリッド条件を特徴付ける包括的なペアデータセットがないため、教師付きトレーニングは実現不可能である。この目的のために、前述の制限をフレームワークとデータという2つの戦略で進めました。一方, RAHCと呼ばれる新しい統合された枠組みは, 1回に任意ハイブリッド気象条件を復元し, 背景成分が不足したハイブリッドシナリオを快適に扱えるようにし, 任意のハイブリッド条件を1つの訓練モデルで柔軟に復元することができる。一方,HACと呼ばれる新しいデータセットを構築し,任意のハイブリッド逆条件の復元を学習し,ベンチマークする。 hacには5つの一般的な天気の組み合わせからなる31のシナリオがあり、合計で316kの悪天候/クリーンペアがある。製作に関しては、トレーニングセットはフリールのない専用AdverseGANによって自動生成され、テストセットは専門家によって手動で調整され、権威評価が行われる。大規模な実験は優れた結果をもたらし、特にHACと従来のデータセットの両方で新しい最先端の結果を確立する。

関連論文リスト

MWFormer: Multi-Weather Image Restoration Using Degradation-Aware Transformers [44.600209414790854]
悪天候下で撮影された画像の復元は、多くのコンピュータビジョンアプリケーションにとって基本的な課題である。本稿では,マルチウェザー変換器 (MWFormer) を提案する。 MWFormerは,既存の最先端手法と比較して,大幅な性能向上を実現していることを示す。
論文参考訳（メタデータ） (2024-11-26T08:47:39Z)
Joint Conditional Diffusion Model for Image Restoration with Mixed Degradations [29.14467633167042]
悪天候下における画像復元のための新しい手法を提案する。大気散乱モデルに基づく混合劣化モデルを用いて, 復元過程全体を導出する。マルチウェザーおよび気象特化データセットの実験は、最先端の競合手法よりも、我々の手法が優れていることを示す。
論文参考訳（メタデータ） (2024-04-11T14:07:16Z)
Continual All-in-One Adverse Weather Removal with Knowledge Replay on a Unified Network Structure [92.8834309803903]
現実の応用では、悪天候による画像の劣化は常に複雑で、日や季節によって異なる気象条件で変化する。我々は,ネットワーク構造を統一した上で,効果的な知識再生(KR)を実現するための新しい連続学習フレームワークを開発した。連続学習における複数の退化を伴う画像復元作業の特徴を考察し、異なる退化に関する知識を共有・蓄積することができる。
論文参考訳（メタデータ） (2024-03-12T03:50:57Z)
Always Clear Days: Degradation Type and Severity Aware All-In-One Adverse Weather Removal [8.58670633761819]
オールインワンの悪天候除去は画像復元における新たな話題であり、統一されたモデルで複数の気象劣化を回復することを目的としている。本稿では,視覚障害者の悪天候画像復元のための劣化型および重症度認識モデルUtilityIRを提案する。
論文参考訳（メタデータ） (2023-10-27T17:29:55Z)
MetaWeather: Few-Shot Weather-Degraded Image Restoration [17.63266150036311]
メタウェザー(MetaWeather)は、多様な新しい気象条件を単一の統一モデルで処理できる普遍的なアプローチである。メタウェザーは未確認の気象条件に適応でき、最先端のマルチウェザー画像復元法よりも優れることを示す。
論文参考訳（メタデータ） (2023-08-28T06:25:40Z)
Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文参考訳（メタデータ） (2023-06-15T10:06:13Z)
Towards replacing precipitation ensemble predictions systems using machine learning [0.0]
本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
論文参考訳（メタデータ） (2023-04-20T12:20:35Z)
Rethinking Real-world Image Deraining via An Unpaired Degradation-Conditioned Diffusion Model [51.49854435403139]
本研究では,拡散モデルに基づく最初の実世界の画像デライニングパラダイムであるRainDiffを提案する。安定的で非敵対的なサイクル一貫性のあるアーキテクチャを導入し、トレーニングをエンドツーエンドで行えます。また,複数の降雨の先行学習によって条件付けられた拡散生成過程を通じて,所望の出力を洗練する劣化条件拡散モデルを提案する。
論文参考訳（メタデータ） (2023-01-23T13:34:01Z)
Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文参考訳（メタデータ） (2022-04-23T01:30:47Z)
Unpaired Adversarial Learning for Single Image Deraining with Rain-Space Contrastive Constraints [61.40893559933964]
我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
論文参考訳（メタデータ） (2021-09-07T10:00:45Z)
Implicit Subspace Prior Learning for Dual-Blind Face Restoration [66.67059961379923]
新しい暗黙的サブスペース事前学習(ISPL)フレームワークが、二重盲顔復元の一般的な解決策として提案されている。実験の結果,既存の最先端手法に対するISPLの認識歪改善が顕著であった。
論文参考訳（メタデータ） (2020-10-12T08:04:24Z)

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。