論文の概要: NeRT: Implicit Neural Representations for General Unsupervised Turbulence Mitigation

• arxiv url: http://arxiv.org/abs/2308.00622v2
• Date: Mon, 1 Apr 2024 18:10:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 13:22:09.700194
• Title: NeRT: Implicit Neural Representations for General Unsupervised Turbulence Mitigation
• Title（参考訳）: NeRT:一般教師なし乱流緩和のための暗黙的ニューラル表現
• Authors: Weiyun Jiang, Yuhao Liu, Vivek Boominathan, Ashok Veeraraghavan,
• Abstract要約: 大気・水乱流緩和のための一般暗黙的ニューラル表現法(NeRT)を提案する。 NeRTは暗黙の神経表現と物理的に正しい傾きと青の乱流モデルを利用して、きれいで歪んだイメージを再構成する。 我々は,NeRTが大気および水乱流データセットの質的および定量的評価を通じて,最先端技術よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 16.903749023475015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The atmospheric and water turbulence mitigation problems have emerged as challenging inverse problems in computer vision and optics communities over the years. However, current methods either rely heavily on the quality of the training dataset or fail to generalize over various scenarios, such as static scenes, dynamic scenes, and text reconstructions. We propose a general implicit neural representation for unsupervised atmospheric and water turbulence mitigation (NeRT). NeRT leverages the implicit neural representations and the physically correct tilt-then-blur turbulence model to reconstruct the clean, undistorted image, given only dozens of distorted input images. Moreover, we show that NeRT outperforms the state-of-the-art through various qualitative and quantitative evaluations of atmospheric and water turbulence datasets. Furthermore, we demonstrate the ability of NeRT to eliminate uncontrolled turbulence from real-world environments. Lastly, we incorporate NeRT into continuously captured video sequences and demonstrate $48 \times$ speedup.
• Abstract（参考訳）: 大気と水の乱気流の緩和問題は、コンピュータビジョンと光学のコミュニティにおける長年の逆問題として現れてきた。 しかし、現在の手法はトレーニングデータセットの品質に大きく依存するか、静的シーン、動的シーン、テキスト再構成など、さまざまなシナリオを一般化できないかのいずれかである。 大気・水乱流緩和(NeRT)のための一般暗黙的ニューラル表現を提案する。 NeRTは暗黙の神経表現と物理的に正しい傾きと青の乱流モデルを活用して、何十もの歪んだ入力画像しか持たないクリーンで歪みのないイメージを再構成する。 さらに,NeRTは大気および水乱流データセットの質的,定量的な評価を通じて,最先端技術よりも優れていることを示す。 さらに,実環境から制御不能な乱流を除去するNeRTの能力を実証した。 最後に、NeRTを連続的にキャプチャしたビデオシーケンスに組み込んで、48 \times$ speedupを実証します。

関連論文リスト

• Deep Learning Techniques for Atmospheric Turbulence Removal: A Review [7.0622384724837355]
  大気の乱流が取得した画像に与える影響は、画像解釈とシーン解析を極めて困難にしている。 ディープラーニングアプローチは、より高速な操作を提供し、小さなデバイス上で実装することができる。 乱流時間歪みを軽減するために、Transformers、SWIN、Mambaなど、最先端のディープニューラルネットワークの性能を比較する。
  論文  参考訳（メタデータ） (2024-09-03T15:53:22Z)
• NeRF On-the-go: Exploiting Uncertainty for Distractor-free NeRFs in the Wild [55.154625718222995]
  我々は,複雑なシーンにおける新規ビューのロバストな合成を可能にする,シンプルで効果的な方法であるNeRF On-the-goを紹介する。 本手法は,最先端技術よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2024-05-29T02:53:40Z)
• Real-World Atmospheric Turbulence Correction via Domain Adaptation [13.043844930749964]
  大気の乱流は、主に地球表面の均一な加熱によって引き起こされる。 この現象は、取得した画像やビデオが歪んだり、ぼやけたりする。 本稿では,ドメイン適応フレームワークに基づく実世界の大気乱流緩和モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-12T02:09:08Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using Denoising Diffusion Probabilistic Models [64.24948495708337]
  大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。 CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。 Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
  論文  参考訳（メタデータ） (2022-08-24T03:13:04Z)
• Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A New Physics-Inspired Transformer Model [82.23276183684001]
  本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。 提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。 そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
  論文  参考訳（メタデータ） (2022-07-20T17:09:16Z)
• Learning to restore images degraded by atmospheric turbulence using uncertainty [93.72048616001064]
  大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。 本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-07T17:24:52Z)
• Learning to Restore a Single Face Image Degraded by Atmospheric Turbulence using CNNs [93.72048616001064]
  このような条件下で撮影された画像は、幾何学的変形と空間のぼかしの組合せに悩まされる。 乱流劣化顔画像の復元問題に対する深層学習に基づく解法を提案する。
  論文  参考訳（メタデータ） (2020-07-16T15:25:08Z)

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。