論文の概要: DFR-Net: Density Feature Refinement Network for Image Dehazing Utilizing Haze Density Difference

• arxiv url: http://arxiv.org/abs/2307.13927v1
• Date: Wed, 26 Jul 2023 02:53:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-27 13:35:41.422048
• Title: DFR-Net: Density Feature Refinement Network for Image Dehazing Utilizing Haze Density Difference
• Title（参考訳）: DFR-Net:ヘイズ密度差を利用した画像デハージングのための密度特徴補正ネットワーク
• Authors: Zhongze Wang, Haitao Zhao, Lujian Yao, Jingchao Peng, Kaijie Zhao
• Abstract要約: 画像デハジングタスクでは、ヘイズ密度が重要な特徴であり、デハジング手法の性能に影響を与える。 本稿では,密度差からヘイズ密度特徴を抽出する密度特徴再構成ネットワーク(DFR-Net)を提案する。
• 参考スコア（独自算出の注目度）: 0.6165605009782557
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In image dehazing task, haze density is a key feature and affects the performance of dehazing methods. However, some of the existing methods lack a comparative image to measure densities, and others create intermediate results but lack the exploitation of their density differences, which can facilitate perception of density. To address these deficiencies, we propose a density-aware dehazing method named Density Feature Refinement Network (DFR-Net) that extracts haze density features from density differences and leverages density differences to refine density features. In DFR-Net, we first generate a proposal image that has lower overall density than the hazy input, bringing in global density differences. Additionally, the dehazing residual of the proposal image reflects the level of dehazing performance and provides local density differences that indicate localized hard dehazing or high density areas. Subsequently, we introduce a Global Branch (GB) and a Local Branch (LB) to achieve density-awareness. In GB, we use Siamese networks for feature extraction of hazy inputs and proposal images, and we propose a Global Density Feature Refinement (GDFR) module that can refine features by pushing features with different global densities further away. In LB, we explore local density features from the dehazing residuals between hazy inputs and proposal images and introduce an Intermediate Dehazing Residual Feedforward (IDRF) module to update local features and pull them closer to clear image features. Sufficient experiments demonstrate that the proposed method achieves results beyond the state-of-the-art methods on various datasets.
• Abstract（参考訳）: 画像デハジングタスクでは、ヘイズ密度が重要な特徴であり、デハジング手法の性能に影響を与える。 しかし、既存の手法には密度を測る比較画像が欠けているものもあり、中間結果を生成するものもあるが、密度差の活用が欠如しており、密度の認識が容易である。 これらの欠陥に対処するために,密度差からヘイズ密度特徴を抽出し,密度差を利用して密度特性を洗練させる密度特徴再構成ネットワーク (DFR-Net) を提案する。 DFR-Netでは、まず全体密度がハジー入力よりも低い提案画像を生成し、大域的な密度差をもたらす。 さらに、提案画像のデハージング残差はデハージング性能のレベルを反映し、局所化されたハードデハジングまたは高密度領域を示す局所密度差を提供する。 その後,密度認識を実現するため,Global Branch (GB) と Local Branch (LB) を導入する。 GB では,ハッシュ入力と提案画像の特徴抽出に Siamese ネットワークを使用し,グローバル密度特徴再構成 (GDFR) モジュールを提案する。 LBでは, ゆるやかな入力と提案画像間の残差から局所密度特徴を探索し, 局所特徴を更新し, 鮮明な画像特徴に近づけるための中間復調残留フィードフォワード (IDRF) モジュールを導入する。 提案手法は, 各種データセット上での最先端の手法を超える結果が得られることを示す。

関連論文リスト

• Towards the Uncharted: Density-Descending Feature Perturbation for Semi-supervised Semantic Segmentation [51.66997548477913]
  本稿では,DDFP(Dedentity-Descending Feature Perturbation)という特徴レベルの一貫性学習フレームワークを提案する。 半教師付き学習における低密度分離仮定にインスパイアされた私たちの重要な洞察は、特徴密度はセグメンテーション分類器が探索する最も有望な方向の光を放つことができるということである。 提案したDFFPは、機能レベルの摂動に関する他の設計よりも優れており、Pascal VOCとCityscapesのデータセット上でのアートパフォーマンスの状態を示している。
  論文  参考訳（メタデータ） (2024-03-11T06:59:05Z)
• Rethinking LiDAR Domain Generalization: Single Source as Multiple Density Domains [11.26654706501546]
  領域一般化のための密度識別特徴埋め込み (DDFE) モジュールを提案する。 DDFEモジュールは、単一のソースドメイン内で密度固有の特徴を抽出するために慎重に設計されている。 さらに、ソースデータの密度スペクトルを拡大することを目的とした、シンプルながら効果的な密度拡張手法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:21:09Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Semantic Segmentation on 3D Point Clouds with High Density Variations [44.467561618769714]
  HDVNetにはネストしたエンコーダとデコーダの経路があり、それぞれが特定の点密度範囲を扱う。 入力密度の変動を効果的に処理することにより、HDVNetは、非一貫性密度の実点雲上でのセグメンテーション精度において最先端のモデルより優れる。
  論文  参考訳（メタデータ） (2023-07-04T05:44:13Z)
• Perceiving and Modeling Density is All You Need for Image Dehazing [10.864016211811025]
  現実の世界では、ヘイズの下で撮影された画像の劣化は非常に複雑である。 近年の手法では、深層ニューラルネットワークを用いて、ぼんやりとした画像から直接クリーンなシーンを復元している。 本研究では,不均一なヘイズ分布に対する密度の知覚とモデル化により,実世界のヘイズ劣化をモデル化する問題を解くことを提案する。
  論文  参考訳（メタデータ） (2021-11-18T14:47:41Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• DAMix: Density-Aware Data Augmentation for Unsupervised Domain Adaptation on Single Image Dehazing [2.2678980997015534]
  本研究では, 対象領域のヘイズ密度レベルに応じて合成ヘイズサンプルを生成する密度認識型データ拡張法(DAMix)を提案する。 DAMixは、さまざまなヘイズ密度を特徴とするサンプルからモデルを学習することを保証する。 本研究では,2つの枝を含む二重分岐脱ハージングネットワークを構築し,その領域のヘイズ密度に応じてヘイズを適応的に除去する。
  論文  参考訳（メタデータ） (2021-09-26T09:45:59Z)
• Cascaded Residual Density Network for Crowd Counting [63.714719914701014]
  本研究では, 群衆数に対する高品質な密度マップを高精度に作成するために, 粗大なアプローチで新しいカスケード残差密度ネットワーク(CRDNet)を提案する。 新たな局所的カウント損失が示され、群衆カウントの精度が向上する。
  論文  参考訳（メタデータ） (2021-07-29T03:07:11Z)
• Dense Residual Network: Enhancing Global Dense Feature Flow for Character Recognition [75.4027660840568]
  本稿では,すべての畳み込み層から階層的特徴をフルに活用することにより,局所的・大域的特徴フローを改善する方法について検討する。 技術的には、テキスト認識のための効率的で効果的なCNNフレームワークであるFDRN(Fast Dense Residual Network)を提案する。
  論文  参考訳（メタデータ） (2020-01-23T06:55:08Z)

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。