論文の概要: MixDehazeNet : Mix Structure Block For Image Dehazing Network

• arxiv url: http://arxiv.org/abs/2305.17654v1
• Date: Sun, 28 May 2023 07:41:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 17:39:09.848569
• Title: MixDehazeNet : Mix Structure Block For Image Dehazing Network
• Title（参考訳）: MixDehazeNet : 画像デハジングネットワークのための混合構造ブロック
• Authors: LiPing Lu, Qian Xiong, DuanFeng Chu, BingRong Xu
• Abstract要約: 我々はMixDehazeNet(MixStructure Image Dehazing Network)という新しいフレームワークを提案する。 マルチスケールの並列大コンボリューションカーネルモジュールと、拡張された並列アテンションモジュールの2つの部分で構成されている。 MixDehazeNetはSOTS屋内データセットにおいて大幅な改善(42.62dB PSNR)を達成した。
• 参考スコア（独自算出の注目度）: 5.473135510946461
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image dehazing is a typical task in the low-level vision field. Previous studies verified the effectiveness of the large convolutional kernel and attention mechanism in dehazing. However, there are two drawbacks: the multi-scale properties of an image are readily ignored when a large convolutional kernel is introduced, and the standard series connection of an attention module does not sufficiently consider an uneven hazy distribution. In this paper, we propose a novel framework named Mix Structure Image Dehazing Network (MixDehazeNet), which solves two issues mentioned above. Specifically, it mainly consists of two parts: the multi-scale parallel large convolution kernel module and the enhanced parallel attention module. Compared with a single large kernel, parallel large kernels with multi-scale are more capable of taking partial texture into account during the dehazing phase. In addition, an enhanced parallel attention module is developed, in which parallel connections of attention perform better at dehazing uneven hazy distribution. Extensive experiments on three benchmarks demonstrate the effectiveness of our proposed methods. For example, compared with the previous state-of-the-art methods, MixDehazeNet achieves a significant improvement (42.62dB PSNR) on the SOTS indoor dataset. The code is released in https://github.com/AmeryXiong/MixDehazeNet.
• Abstract（参考訳）: イメージデハジングは低レベル視野における典型的なタスクである。 前回の研究では、大きな畳み込み核と注意機構の有効性が検証された。 しかし、2つの欠点がある: 大きな畳み込みカーネルを導入すると画像のマルチスケール特性は容易に無視され、注意モジュールの標準直列接続は不均一な分布を十分に考慮しない。 本稿では,上述の2つの問題を解決する,mix structure image dehazing network (mixdehazenet) という新しいフレームワークを提案する。 具体的には,マルチスケール並列大規模畳み込みカーネルモジュールと拡張パラレルアテンションモジュールの2つの部分から構成されている。 単一の大きなカーネルと比較して、マルチスケールの並列大規模カーネルは、デハザリングフェーズ中に部分的なテクスチャを考慮に入れることができる。 また,不均一な不均一分布の除去において,注意の並列接続が良好に機能する拡張パラレルアテンションモジュールを開発した。 提案手法の有効性を3つのベンチマークで検証した。 例えば、これまでの最先端の手法と比較して、MixDehazeNetはSOTS屋内データセットにおいて大幅な改善(42.62dB PSNR)を達成している。 コードはhttps://github.com/AmeryXiong/MixDehazeNetで公開されている。

関連論文リスト

• Mutual-Guided Dynamic Network for Image Fusion [51.615598671899335]
  画像融合のための新しい相互誘導動的ネットワーク(MGDN)を提案する。 5つのベンチマークデータセットによる実験結果から,提案手法は4つの画像融合タスクにおいて既存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） (2023-08-24T03:50:37Z)
• Mutual Information-driven Triple Interaction Network for Efficient Image Dehazing [54.168567276280505]
  画像デハージングのための相互情報駆動型トリプルインタラクションネットワーク(MITNet)を提案する。 振幅誘導ヘイズ除去と呼ばれる第1段階は、ヘイズ除去のためのヘイズ画像の振幅スペクトルを復元することを目的としている。 第2段階は位相誘導構造が洗練され、位相スペクトルの変換と微細化を学ぶことに尽力した。
  論文  参考訳（メタデータ） (2023-08-14T08:23:58Z)
• CalibNet: Dual-branch Cross-modal Calibration for RGB-D Salient Instance Segmentation [88.50067783122559]
  CalibNetは3つの単純なモジュール、動的インタラクティブカーネル(DIK)と重量共有融合(WSF)で構成されている。 実験の結果、CalibNetは、COME15K-Nテストセット上で320*480の入力サイズを持つ58.0% APという有望な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-07-16T16:49:59Z)
• PSNet: Parallel Symmetric Network for Video Salient Object Detection [85.94443548452729]
  我々は,PSNet という名前のアップ・ダウン・パラレル対称性を持つ VSOD ネットワークを提案する。 2つの並列ブランチが、ビデオの完全サリエンシ復号化を実現するために設定されている。
  論文  参考訳（メタデータ） (2022-10-12T04:11:48Z)
• Rethinking Performance Gains in Image Dehazing Networks [25.371802581339576]
  我々は、コンパクトなデハージングネットワークを得るために、人気のあるU-Netに最小限の変更を加えている。 具体的には、U-Netの畳み込みブロックをゲーティング機構で残余ブロックに置き換える。 オーバーヘッドが大幅に削減されているため、gUNetは複数のイメージデハージングデータセットの最先端メソッドよりも優れている。
  論文  参考訳（メタデータ） (2022-09-23T07:14:48Z)
• ShuffleMixer: An Efficient ConvNet for Image Super-Resolution [88.86376017828773]
  本稿では、大きな畳み込みとチャネル分割シャッフル操作を探索する軽量画像超解像のためのShuffleMixerを提案する。 具体的には,チャネル分割とシャッフルを基本成分とする2つのプロジェクション層を効率よく混合する。 実験結果から,ShuffleMixerはモデルパラメータやFLOPの手法に比べて約6倍小さいことがわかった。
  論文  参考訳（メタデータ） (2022-05-30T15:26:52Z)
• M2RNet: Multi-modal and Multi-scale Refined Network for RGB-D Salient Object Detection [1.002712867721496]
  RGB-Dに基づく手法は、多モード特徴融合の不整合性とマルチスケール特徴集合の不整合に悩まされることが多い。 マルチモーダル・マルチスケール改良ネットワーク(M2RNet)を提案する。 このネットワークには3つの重要なコンポーネントが紹介されている。
  論文  参考訳（メタデータ） (2021-09-16T12:15:40Z)
• Rethinking Coarse-to-Fine Approach in Single Image Deblurring [19.195704769925925]
  マルチインプットマルチアウトプットU-netを用いた高速かつ高精度なデブロアリングネットワーク設計を提案する。 提案したネットワークは、精度と計算複雑性の両方の観点から最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-11T06:37:01Z)
• DMSANet: Dual Multi Scale Attention Network [0.0]
  我々は,最高の性能を達成するだけでなく,既存のモデルに比べてパラメータも少ない新しいアテンションモジュールを提案する。 私たちの注目モジュールは、軽量な性質のため、他の畳み込みニューラルネットワークと容易に統合できます。
  論文  参考訳（メタデータ） (2021-06-13T10:31:31Z)
• CARAFE++: Unified Content-Aware ReAssembly of FEatures [132.49582482421246]
  この目標を達成するために、ユニバーサルで軽量で高効率なオペレータであるContent-Aware ReAssembly of FEatures(CARAFE++)を提案します。 CARAFE++は、インスタンス固有のコンテンツ認識処理を可能にするアダプティブカーネルをオンザフライで生成する。 計算のオーバーヘッドが無視できるすべてのタスクにおいて、一貫性と実質的な利益を示しています。
  論文  参考訳（メタデータ） (2020-12-07T07:34:57Z)

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。