論文の概要: Contrastive Learning Based Recursive Dynamic Multi-Scale Network for
Image Deraining
- arxiv url: http://arxiv.org/abs/2305.18092v1
- Date: Mon, 29 May 2023 13:51:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 14:49:50.723402
- Title: Contrastive Learning Based Recursive Dynamic Multi-Scale Network for
Image Deraining
- Title(参考訳): コントラスト学習に基づく画像レイニングのための再帰的動的マルチスケールネットワーク
- Authors: Zhiying Jiang, Risheng Liu, Shuzhou Yang, Zengxi Zhang, Xin Fan
- Abstract要約: 雨のストリークは撮影画像の可視性を著しく低下させる。
既存のディープラーニングベースの画像デライニング手法では、手作業で構築されたネットワークを使用して、雨の降った画像から明確な画像への直接投影を学習する。
本稿では,雨天画像と澄んだ画像との相関関係を考察した,対照的な学習に基づく画像デライニング手法を提案する。
- 参考スコア(独自算出の注目度): 47.764883957379745
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rain streaks significantly decrease the visibility of captured images and are
also a stumbling block that restricts the performance of subsequent computer
vision applications. The existing deep learning-based image deraining methods
employ manually crafted networks and learn a straightforward projection from
rainy images to clear images. In pursuit of better deraining performance, they
focus on elaborating a more complicated architecture rather than exploiting the
intrinsic properties of the positive and negative information. In this paper,
we propose a contrastive learning-based image deraining method that
investigates the correlation between rainy and clear images and leverages a
contrastive prior to optimize the mutual information of the rainy and restored
counterparts. Given the complex and varied real-world rain patterns, we develop
a recursive mechanism. It involves multi-scale feature extraction and dynamic
cross-level information recruitment modules. The former advances the portrayal
of diverse rain patterns more precisely, while the latter can selectively
compensate high-level features for shallow-level information. We term the
proposed recursive dynamic multi-scale network with a contrastive prior, RDMC.
Extensive experiments on synthetic benchmarks and real-world images demonstrate
that the proposed RDMC delivers strong performance on the depiction of rain
streaks and outperforms the state-of-the-art methods. Moreover, a practical
evaluation of object detection and semantic segmentation shows the
effectiveness of the proposed method.
- Abstract(参考訳): 雨のストリークは撮影された画像の可視性を大幅に低下させ、その後のコンピュータビジョンアプリケーションのパフォーマンスを制限している。
既存のディープラーニングベースのイメージレーダリング手法では,手作業によるネットワーク構築と,雨画像からの直接的なプロジェクションの学習が使用されている。
より良いレーディングパフォーマンスを追求するため、彼らはポジティブな情報とネガティブな情報の固有の特性を利用するのではなく、より複雑なアーキテクチャを詳述することに焦点を合わせている。
本稿では,雨と澄んだ画像の相関関係を解析し,雨と復元した画像の相互情報の最適化に先立ってコントラストを利用する,コントラスト学習に基づく画像デライニング手法を提案する。
複雑で多様な実世界の降雨パターンを考えると、再帰的なメカニズムが発達する。
マルチスケールの機能抽出と動的クロスレベル情報リクルートモジュールを含んでいる。
前者は多種多様な雨パターンをより正確に描写し、後者は浅層情報に対して高レベルな特徴を選択的に補うことができる。
提案する再帰的動的マルチスケールネットワークは,従来のRDMCとは対照的である。
合成ベンチマークと実世界の画像を用いた広範囲な実験により,提案するrdmcは雨のストレークの描写に強い性能を与え,最先端の手法を上回っていることが示された。
さらに,オブジェクト検出と意味セグメンテーションの実用的評価を行い,提案手法の有効性を示した。
関連論文リスト
- Unsupervised Network for Single Image Raindrop Removal [4.982370044801629]
本研究では,教師なし学習に基づく雨滴除去のためのディープニューラルネットワークを提案する。
提案モデルでは,サイクルネットワークアーキテクチャに基づく層分離を行う。
雨滴ベンチマークデータセットの実験により,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2024-12-04T04:10:50Z) - MDeRainNet: An Efficient Neural Network for Rain Streak Removal from Macro-pixel Images [44.83349966064718]
我々は,LF画像から降雨ストリーク除去を行うために,MDeRainNetと呼ばれる効率的なネットワークを提案する。
提案するネットワークはマルチスケールエンコーダデコーダアーキテクチャを採用し, 直接マクロピクセル画像(MPI)を用いて降雨除去性能を向上する。
そこで本研究では,MDeRainNetのための新しい半教師付き学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-06-15T14:47:02Z) - Harnessing Joint Rain-/Detail-aware Representations to Eliminate Intricate Rains [9.6606245317525]
我々は、CNNやTransformerベースのモデルを効率的に制御できるコンテキストベースのインスタンスレベル変調機構を開発する。
また,降雨・降雨・降雨・降雨・降雨の表現を抽出するために,降雨・降雨・降雨対応学習戦略を考案した。
CoI-Mと雨量/深度を意識したコントラスト学習を組み合わせることで、混合データセットのトレーニングモデルに適した、革新的で強力なアルゴリズムであるCoICを開発する。
論文 参考訳(メタデータ) (2024-04-18T11:20:53Z) - 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) - Single Image Deraining via Feature-based Deep Convolutional Neural
Network [13.39233717329633]
データ駆動型アプローチとモデルベースアプローチを組み合わせた,単一画像デラミニングアルゴリズムを提案する。
実験の結果,提案アルゴリズムは質的,定量的両面で最先端の手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-05-03T13:12:51Z) - Multi-scale Attentive Image De-raining Networks via Neural Architecture
Search [23.53770663034919]
我々は,画像デラリニングのための高性能なマルチスケール注意型ニューラルネットワーク探索(MANAS)フレームワークを開発した。
提案手法は,画像デライニング作業に好適な複数のフレキシブルモジュールを備えた,新しいマルチスケールアテンション検索空間を定式化する。
ディライニングネットワークの内部マルチスケール注意アーキテクチャは、勾配に基づく探索アルゴリズムによって自動的に探索される。
論文 参考訳(メタデータ) (2022-07-02T03:47:13Z) - Online-updated High-order Collaborative Networks for Single Image
Deraining [51.22694467126883]
単一画像のデライン化は、ビデオ監視や自動運転システムなど、下流の人工知能アプリケーションにとって重要なタスクである。
マルチスケールのコンパクトな制約と双方向のスケール・コンテント類似性マイニングモジュールを備えた高階協調ネットワークを提案する。
提案手法は,5つの公開合成と1つの実世界のデータセットに対して,11の最先端手法に対して好意的に機能する。
論文 参考訳(メタデータ) (2022-02-14T09:09:08Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳(メタデータ) (2020-08-08T18:56:51Z) - Structural Residual Learning for Single Image Rain Removal [48.87977695398587]
本研究は,本質的な降雨構造を有するネットワークの出力残余を強制することで,新たなネットワークアーキテクチャを提案する。
このような構造的残差設定は、ネットワークによって抽出された雨層が、一般的な雨害の以前の知識に微妙に従うことを保証している。
論文 参考訳(メタデータ) (2020-05-19T05:52:13Z) - 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。