論文の概要: Uncertainty-Driven Multi-Scale Feature Fusion Network for Real-time Image Deraining

• arxiv url: http://arxiv.org/abs/2307.09728v1
• Date: Wed, 19 Jul 2023 02:29:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-20 15:38:09.882709
• Title: Uncertainty-Driven Multi-Scale Feature Fusion Network for Real-time Image Deraining
• Title（参考訳）: リアルタイム画像レイニングのための不確実性駆動多スケール機能融合ネットワーク
• Authors: Ming Tong, Xuefeng Yan, Yongzhen Wang
• Abstract要約: 本研究では、ペア画像間の確率マッピング分布を学習し、不確実性を推定する不確実性駆動型マルチスケール特徴フュージョンネットワーク(UMFFNet)を提案する。 UMFFNetは、最先端の画像デライニングメソッドを超越した、パラメータの少ない大幅なパフォーマンス向上を実現している。
• 参考スコア（独自算出の注目度）: 7.790588061648474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual-based measurement systems are frequently affected by rainy weather due to the degradation caused by rain streaks in captured images, and existing imaging devices struggle to address this issue in real-time. While most efforts leverage deep networks for image deraining and have made progress, their large parameter sizes hinder deployment on resource-constrained devices. Additionally, these data-driven models often produce deterministic results, without considering their inherent epistemic uncertainty, which can lead to undesired reconstruction errors. Well-calibrated uncertainty can help alleviate prediction errors and assist measurement devices in mitigating risks and improving usability. Therefore, we propose an Uncertainty-Driven Multi-Scale Feature Fusion Network (UMFFNet) that learns the probability mapping distribution between paired images to estimate uncertainty. Specifically, we introduce an uncertainty feature fusion block (UFFB) that utilizes uncertainty information to dynamically enhance acquired features and focus on blurry regions obscured by rain streaks, reducing prediction errors. In addition, to further boost the performance of UMFFNet, we fused feature information from multiple scales to guide the network for efficient collaborative rain removal. Extensive experiments demonstrate that UMFFNet achieves significant performance improvements with few parameters, surpassing state-of-the-art image deraining methods.
• Abstract（参考訳）: 視覚に基づく計測システムは、撮影画像の雨害による雨天の悪化によってしばしば影響を受けるが、既存の撮像装置はこの問題にリアルタイムで対処するのに苦労している。 ほとんどの取り組みは、画像デザイニングにディープネットワークを活用し、進歩したが、その大きなパラメータサイズは、リソース制約されたデバイスへのデプロイメントを妨げる。 さらに、これらのデータ駆動モデルはしばしば、その固有のてんかんの不確実性を考慮せずに決定論的結果を生成する。 適切に調整された不確実性は、予測エラーを緩和し、リスクを軽減し、ユーザビリティを向上させる測定装置を支援する。 そこで我々は,ペア画像間の確率マッピング分布を学習し,不確実性を推定する不確実性駆動型マルチスケール特徴フュージョンネットワーク(UMFFNet)を提案する。 具体的には,不確実性情報を活用した不確実性特徴融合ブロック (uffb) を導入し,取得した特徴を動的に拡張し,雨乱れによりぼやけた領域に着目し,予測誤差を低減した。 さらに,UMFFNetの性能をさらに向上するため,複数のスケールから特徴情報を融合させ,効率的な協調雨水除去を行う。 広範な実験により、UMFFNetは、最先端の画像デライニング手法を超越して、パラメータが少なく、大幅なパフォーマンス向上を実現している。

関連論文リスト

• A Prototype Unit for Image De-raining using Time-Lapse Data [9.37072441362836]
  本研究では,一雨画像から無雨背景情報を復元する作業である一雨脱落の課題に対処する。 我々は新しいソリューション、Rain Streak Prototype Unit(RsPU)を紹介する。 RsPUは、タイムラプスデータから得られたリアルタイムプロトタイプとして、レインストリーク関連機能を効率的にエンコードし、過剰なメモリリソースを不要にする。
  論文  参考訳（メタデータ） (2024-12-27T05:04:56Z)
• Multi-scale Restoration of Missing Data in Optical Time-series Images with Masked Spatial-Temporal Attention Network [0.6675733925327885]
  リモートセンシング画像に欠落した値を出力する既存の方法は、補助情報を完全に活用できない。 本稿では,時系列リモートセンシング画像の再構成のためのMS2という,深層学習に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-19T09:05:05Z)
• D-YOLO a robust framework for object detection in adverse weather conditions [0.0]
  ヘイズ、雪、雨などの逆の気象条件は、画像品質の低下を招き、深層学習に基づく検知ネットワークの性能低下を招きかねない。 画像復元とオブジェクト検出のタスクをよりうまく統合するために,注目機能融合モジュールを備えた二重経路ネットワークを設計した。 我々はまた,検出ネットワークにヘイズフリーな機能を提供するサブネットワークを提案し,特に,明瞭な特徴抽出サブネットワークと検出ネットワーク間の距離を最小化することにより,検出ネットワークの性能を向上させる。
  論文  参考訳（メタデータ） (2024-03-14T09:57:15Z)
• Low-Light Image Enhancement with Wavelet-based Diffusion Models [50.632343822790006]
  拡散モデルは画像復元作業において有望な結果を得たが、時間を要する、過剰な計算資源消費、不安定な復元に悩まされている。 本稿では,DiffLLと呼ばれる高能率かつ高能率な拡散型低光画像強調手法を提案する。
  論文  参考訳（メタデータ） (2023-06-01T03:08:28Z)
• 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)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Multi-Scale Hourglass Hierarchical Fusion Network for Single Image Deraining [8.964751500091005]
  雨のひもはサイズ、方向および密度で頻繁に変わる深刻なぼやけおよび視覚質の低下をもたらします。 現在のCNN方式は, 降雨特性の描写や, 可視性に乏しい環境下でのイメージの復元に限られている。 本稿では,マルチスケール抽出,階層蒸留,情報集約による雨天の特徴を正確に把握するために,マルチスケールのHH2F-Netを提案する。
  論文  参考訳（メタデータ） (2021-04-25T08:27:01Z)
• Improving robustness against common corruptions with frequency biased models [112.65717928060195]
  目に見えない画像の腐敗は 驚くほど大きなパフォーマンス低下を引き起こします 画像の破損タイプは周波数スペクトルで異なる特性を持ち、ターゲットタイプのデータ拡張の恩恵を受けます。 畳み込み特徴マップの総変動(TV)を最小限に抑え、高周波堅牢性を高める新しい正規化方式を提案する。
  論文  参考訳（メタデータ） (2021-03-30T10:44:50Z)
• 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)
• Conditional Variational Image Deraining [158.76814157115223]
  キャラクタリゼーション性能向上のための条件変分画像レイニング(CVID)ネットワーク 本研究では,各画像の降雨密度マップを推定するための空間密度推定(SDE)モジュールを提案する。 合成および実世界のデータセットを用いた実験により,提案したCVIDネットワークは,画像のデライニングにおける従来の決定論的手法よりもはるかに優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-04-23T11:51:38Z)
• 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。