論文の概要: Infrared Image Deturbulence Restoration Using Degradation Parameter-Assisted Wide & Deep Learning

• arxiv url: http://arxiv.org/abs/2305.18708v2
• Date: Tue, 06 May 2025 08:34:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:10.836226
• Title: Infrared Image Deturbulence Restoration Using Degradation Parameter-Assisted Wide & Deep Learning
• Title（参考訳）: 劣化パラメータを用いた広深度学習による赤外画像乱れ回復
• Authors: Yi Lu, Yadong Wang, Xingbo Jiang, Xiangzhi Bai,
• Abstract要約: 本研究では,パラメータ支援型マルチフレームネットワークであるDparNetを提案する。 DparNetは、外部の知識なしに、劣化した画像から直接劣化を学習する。 修復性能と効率性において、ステート・オブ・ザ・アーツ(SOTA)法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 12.305318121246277
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Infrared images captured under turbulent conditions are degraded by complex geometric distortions and blur. We address infrared deturbulence as an image restoration task, proposing DparNet, a parameter-assisted multi-frame network with a wide & deep architecture. DparNet learns a degradation prior (key parameter matrix) directly from degraded images without external knowledge. Its wide & deep architecture uses these learned parameters to directly modulate restoration, achieving spatially and intensity adaptive results. Evaluated on dedicated infrared deturbulence (49,744 images) and visible image denoising (109,536 images) datasets, DparNet significantly outperforms State-of-the-Art (SOTA) methods in restoration performance and efficiency. Notably, leveraging these parameters improves PSNR by 0.6-1.1 dB with less than 2% increase in model parameters and computational complexity. Our work demonstrates that degraded images hide key degradation information that can be learned and utilized to boost adaptive image restoration.
• Abstract（参考訳）: 乱流下での赤外線画像は、複雑な幾何学的歪みとぼやけによって劣化する。 広義かつ深いアーキテクチャを持つパラメータ支援マルチフレームネットワークであるDparNetを提案する。 DparNetは、外部知識なしで劣化した画像から直接劣化前の(キーパラメータ行列)を学習する。 広範かつ深いアーキテクチャでは、これらの学習パラメータを使用して、修復を直接調整し、空間的および強度適応的な結果を達成する。 専用赤外線乱れ(49,744画像)と可視像デノイング(109,536画像)のデータセットに基づいて評価したDparNetは、回復性能と効率性において、ステート・オブ・ザ・アーツ(SOTA)法を著しく上回っている。 特に、これらのパラメータを活用することで、PSNRを0.6-1.1dB改善し、モデルパラメータと計算複雑性は2%以下になる。 我々の研究は、劣化した画像は、学習や利用が可能な重要な劣化情報を隠蔽し、適応的な画像復元を促進することを実証している。

関連論文リスト

• Decouple to Reconstruct: High Quality UHD Restoration via Active Feature Disentanglement and Reversible Fusion [77.08942160610478]
  超高精細画像復元(UHD)は、高解像度のため、しばしば計算ボトルネックや情報損失に直面している。 本稿では,より難解な劣化情報を潜時空間に符号化しながら,容易に復元可能な背景情報を破棄する制御付き微分遠絡型VAEを提案する。 提案手法は,UHD画像復元の精度を向上し,UHD画像復元の6つの課題を1Mパラメータのみで実現し,VAEモデルにおける情報損失問題を効果的に軽減する。
  論文  参考訳（メタデータ） (2025-03-17T02:55:18Z)
• A Progressive Image Restoration Network for High-order Degradation Imaging in Remote Sensing [5.6223397629993626]
  我々は高次劣化画像(HDI-PRNet)のための新しいプログレッシブ復元ネットワークを提案する。 本手法は,合成画像と実際のリモートセンシング画像の両方において,優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-12-10T05:08:39Z)
• Multi-Scale Representation Learning for Image Restoration with State-Space Model [13.622411683295686]
  効率的な画像復元のためのマルチスケール状態空間モデル(MS-Mamba)を提案する。 提案手法は,計算複雑性を低く保ちながら,新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-08-19T16:42:58Z)
• Diff-Restorer: Unleashing Visual Prompts for Diffusion-based Universal Image Restoration [19.87693298262894]
  拡散モデルに基づく普遍的な画像復元手法であるDiff-Restorerを提案する。 我々は、事前学習された視覚言語モデルを用いて、劣化した画像から視覚的プロンプトを抽出する。 また、デグレーション対応デコーダを設計し、構造的補正を行い、潜在コードをピクセル領域に変換する。
  論文  参考訳（メタデータ） (2024-07-04T05:01:10Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• All-in-one Multi-degradation Image Restoration Network via Hierarchical Degradation Representation [47.00239809958627]
  我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。 AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。 この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
  論文  参考訳（メタデータ） (2023-08-06T04:51:41Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• Deep Amended Gradient Descent for Efficient Spectral Reconstruction from Single RGB Images [42.26124628784883]
  本稿では、AGD-Netという、コンパクトで効率的でエンドツーエンドの学習ベースのフレームワークを提案する。 まず、古典的勾配降下アルゴリズムに基づいて問題を明示的に定式化する。 AGD-Netは、平均1.0dB以上のリコンストラクション品質を向上させることができる。
  論文  参考訳（メタデータ） (2021-08-12T05:54:09Z)
• Underwater Image Restoration via Contrastive Learning and a Real-world Dataset [59.35766392100753]
  本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元手法を提案する。 提案手法は, 生画像と復元画像の相互情報を最大化するために, コントラスト学習と生成敵ネットワークを利用した。
  論文  参考訳（メタデータ） (2021-06-20T16:06:26Z)
• Structure-Preserving Super Resolution with Gradient Guidance [87.79271975960764]
  単一画像超解像(SISR)の構造 最近のGAN(Generative Adversarial Network)による研究は、SISRの開発を促進している。 しかし、復元された画像には常に望ましくない構造歪みがある。
  論文  参考訳（メタデータ） (2020-03-29T17:26:58Z)

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。