論文の概要: Quantum image rain removal: second-order photon number fluctuation correlations in the time domain

• arxiv url: http://arxiv.org/abs/2307.06762v1
• Date: Thu, 13 Jul 2023 14:02:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-14 14:28:46.609246
• Title: Quantum image rain removal: second-order photon number fluctuation correlations in the time domain
• Title（参考訳）: 量子画像雨量除去:時間領域における2次光子数変動相関
• Authors: Yuge Li, Yunjie Xia, and Deyang Duan
• Abstract要約: 落下する雨滴は、通常、従来の光学画像に対して純粋に負の要素とみなされる。 本研究は,降雨量による画像劣化を降雨量自体によって除去できることを実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Falling raindrops are usually considered purely negative factors for traditional optical imaging because they generate not only rain streaks but also rain fog, resulting in a decrease in the visual quality of images. However, this work demonstrates that the image degradation caused by falling raindrops can be eliminated by the raindrops themselves. The temporal second-order correlation properties of the photon number fluctuation introduced by falling raindrops has a remarkable attribute: the rain streak photons and rain fog photons result in the absence of a stable second-order photon number correlation, while this stable correlation exists for photons that do not interact with raindrops. This fundamental difference indicates that the noise caused by falling raindrops can be eliminated by measuring the second-order photon number fluctuation correlation in the time domain. The simulation and experimental results demonstrate that the rain removal effect of this method is even better than that of deep learning methods when the integration time of each measurement event is short. This high-efficient quantum rain removal method can be used independently or integrated into deep learning algorithms to provide front-end processing and high-quality materials for deep learning.
• Abstract（参考訳）: 降雨滴は通常、降雨のストレークだけでなく雨霧も生成し、画像の視覚品質が低下するので、従来の光学イメージングでは純粋に負の要因とみなされる。 しかし,本研究では,降雨による画像劣化を雨滴自体によって排除できることを示す。 降雨雨で生じる光子数変動の時間的2次相関特性は,雨害光子と雨霧光子が安定な2次光子数相関を欠いているのに対して,この安定な相関性は雨滴と相互作用しない光子に対して存在するという顕著な特徴を持つ。 この基本的な違いは、時間領域における2次光子数変動相関を測定することにより、降雨によるノイズを排除できることを示している。 シミュレーションおよび実験結果から,各測定事象の積分時間が短い場合には,この手法の降雨除去効果が深層学習法よりも優れていることが示された。 この高効率な量子雨除去方法は、独立して、あるいはディープラーニングアルゴリズムに統合して、フロントエンド処理およびディープラーニングのための高品質な材料を提供することができる。

関連論文リスト

• TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
  本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。 その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。 提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-15T03:27:39Z)
• 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)
• Why current rain denoising models fail on CycleGAN created rain images in autonomous driving [1.4831974871130875]
  GAN(Generative Adversarial Network)を用いた一組のクリアウェザー条件画像に雨を人工的に付加する この人工的な雨画像の生成は、10件中7件で、人間の被験者は生成された雨画像が本物だと信じていた。 第2のステップでは、このペア付きグッド/バッド気象画像データを使用して、主にCNN(Convolutional Neural Network)とVision Transformer(Vision Transformer)をベースとした2つの降雨モデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-22T12:42:32Z)
• Unsupervised Deraining: Where Asymmetric Contrastive Learning Meets Self-similarity [33.188738443097336]
  本稿では,各層内の内在的相似性と2層間の排他性について検討する。 教師なし非局所コントラスト学習 (NLCL) デライン法を提案する。
  論文  参考訳（メタデータ） (2022-11-02T02:47:20Z)
• 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)
• Deep Single Image Deraining using An Asymetric Cycle Generative and Adversarial Framework [16.59494337699748]
  単体画像デライニングのための新しいACGF(Asymetric Cycle Generative and Adrial framework)を提案する。 ACGFは合成雨像と実際の雨像の両方を訓練し、同時に雨の流れと霧の特徴を捉えている。 基準降雨量と降雨量のデータセットによる実験では、ACGFは最先端のデラライニング法よりも優れていた。
  論文  参考訳（メタデータ） (2022-02-19T16:14:10Z)
• Semi-Supervised Video Deraining with Dynamic Rain Generator [59.71640025072209]
  本稿では,降雨層に適合する動的降雨発生器を用いた半教師付きビデオデレーシング手法を提案する。 具体的には、1つのエミッションモデルと1つのトランジションモデルから成り、空間的物理的構造と時系列の雨の連続的な変化を同時にエンコードする。 ラベル付き合成およびラベルなしの実データのために、それらの基礎となる共通知識を十分に活用するために、様々な先行フォーマットが設計されている。
  論文  参考訳（メタデータ） (2021-03-14T14:28:57Z)
• Dual Attention-in-Attention Model for Joint Rain Streak and Raindrop Removal [103.4067418083549]
  降雨量と降雨量の両方を同時に除去する2つのDAMを含むDual Attention-in-Attention Model (DAiAM)を提案する。 提案手法は,降雨量と降雨量とを同時に除去できるだけでなく,両タスクの最先端性能も達成できる。
  論文  参考訳（メタデータ） (2021-03-12T03:00:33Z)
• 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)

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。