Fugu-MT 論文翻訳(概要): High-quality Image Dehazing with Diffusion Model

論文の概要: High-quality Image Dehazing with Diffusion Model

arxiv url: http://arxiv.org/abs/2308.11949v1
Date: Wed, 23 Aug 2023 06:45:11 GMT
ステータス: 処理完了
システム内更新日: 2023-08-24 15:27:37.211974
Title: High-quality Image Dehazing with Diffusion Model
Title（参考訳）: 拡散モデルを用いた高品質画像デハジング
Authors: Hu Yu, Jie Huang, Kaiwen Zheng, Man Zhou and Feng Zhao
Abstract要約: DehazeDDPM - DDPMをベースとした物理認識型画像デハージングフレームワークを提案する。提案手法は,合成および実世界のハジーデータセット上での最先端性能を実現する。
参考スコア（独自算出の注目度）: 23.474053627313545
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Image dehazing is quite challenging in dense-haze scenarios, where quite less original information remains in the hazy image. Though previous methods have made marvelous progress, they still suffer from information loss in content and color in dense-haze scenarios. The recently emerged Denoising Diffusion Probabilistic Model (DDPM) exhibits strong generation ability, showing potential for solving this problem. However, DDPM fails to consider the physics property of dehazing task, limiting its information completion capacity. In this work, we propose DehazeDDPM: A DDPM-based and physics-aware image dehazing framework that applies to complex hazy scenarios. Specifically, DehazeDDPM works in two stages. The former stage physically models the dehazing task with the Atmospheric Scattering Model (ASM), pulling the distribution closer to the clear data and endowing DehazeDDPM with fog-aware ability. The latter stage exploits the strong generation ability of DDPM to compensate for the haze-induced huge information loss, by working in conjunction with the physical modelling. Extensive experiments demonstrate that our method attains state-of-the-art performance on both synthetic and real-world hazy datasets.
Abstract（参考訳）: 濃密な曇りのシナリオでは、画像のデハジングは非常に難しい。これまでの手法は驚くべき進歩を遂げたものの、密集したヘイズシナリオでは内容や色が失われている。最近登場したDenoising Diffusion Probabilistic Model (DDPM)は、強力な生成能力を示し、この問題を解決する可能性を示している。しかし、DDPMはデハジングタスクの物理特性を考慮せず、情報補完能力を制限している。本稿では,複雑なヘイズシナリオに適用可能なDDPMベースの物理対応画像デハージングフレームワークであるDehazeDDPMを提案する。特に、dehazeddpmは2段階で動作する。前段は、大気散乱モデル(ASM)でデハズ処理を物理的にモデル化し、その分布を明確なデータに近づけ、霧を意識したデハズDDPMを与える。後者の段階では、MDPMの強力な生成能力を利用して、物理的モデリングと共に作業することで、ヘイズによって引き起こされる巨大な情報損失を補う。大規模実験により,本手法は合成データと実世界のヘイジーデータセットの両方において最先端の性能が得られることを示した。

関連論文リスト

LMHaze: Intensity-aware Image Dehazing with a Large-scale Multi-intensity Real Haze Dataset [14.141433473509826]
本稿では,大規模で高品質な実世界のデータセットLMHazeを紹介する。 LMHazeは、屋内および屋外の多様な環境で撮影された、ヘイズフリーとヘイズフリーの2つの画像で構成されている。そこで本研究では,Mambaをベースとした混合実験モデルを提案する。
論文参考訳（メタデータ） (2024-10-21T15:20:02Z)
Bring the Power of Diffusion Model to Defect Detection [0.0]
拡散確率モデル(DDPM)は,特徴リポジトリとして構築する認知過程の特徴を抽出するために事前訓練される。待ち行列特徴を再構成してフィルタして高次元DDPM特徴を得る。実験結果から,本手法はいくつかの産業データセット上での競合的な結果が得られることが示された。
論文参考訳（メタデータ） (2024-08-25T14:28:49Z)
RSHazeDiff: A Unified Fourier-aware Diffusion Model for Remote Sensing Image Dehazing [32.16602874389847]
Hazeはリモートセンシング画像の視覚的品質を著しく低下させる。本稿では,RSHazeDiffと呼ばれるリモートセンシング画像デハージングのための新しいFourier-aware拡散モデルを提案する。合成および実世界のベンチマークの実験は、最先端の手法よりもRSHazeDiffの好ましい性能を検証する。
論文参考訳（メタデータ） (2024-05-15T04:22:27Z)
Diffusion Models Without Attention [110.5623058129782]
Diffusion State Space Model (DiffuSSM) は、よりスケーラブルな状態空間モデルバックボーンで注目メカニズムを置き換えるアーキテクチャである。拡散訓練におけるFLOP効率の高いアーキテクチャへの注力は、大きな前進となる。
論文参考訳（メタデータ） (2023-11-30T05:15:35Z)
GSURE-Based Diffusion Model Training with Corrupted Data [35.56267114494076]
本稿では, 劣化データのみに基づく生成拡散モデルのための新しいトレーニング手法を提案する。顔画像と磁気共鳴画像(MRI)の撮影技術について紹介する。
論文参考訳（メタデータ） (2023-05-22T15:27:20Z)
Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。本稿では,階層型統合拡散モデル(HI-Diff)を提案する。人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文参考訳（メタデータ） (2023-05-22T12:18:20Z)
Unsupervised Representation Learning from Pre-trained Diffusion Probabilistic Models [83.75414370493289]
拡散確率モデル(DPM)は高品質の画像サンプルを生成する強力な能力を示している。 Diff-AEは自動符号化による表現学習のためのDPMを探索するために提案されている。我々は、既存のトレーニング済みDPMをデコーダに適応させるために、textbfPre-trained textbfAutotextbfEncoding (textbfPDAE)を提案する。
論文参考訳（メタデータ） (2022-12-26T02:37:38Z)
Diffusion Probabilistic Model Made Slim [128.2227518929644]
軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
論文参考訳（メタデータ） (2022-11-27T16:27:28Z)
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)
Fully Non-Homogeneous Atmospheric Scattering Modeling with Convolutional Neural Networks for Single Image Dehazing [42.20480089840438]
大気散乱モデル(ASM)に基づくSIDM(Single Image Dehazing Model)は顕著な結果を得た。本研究では,新しい非均一な大気散乱モデル (FNH-ASM) を提案する。 2つの新しいコスト依存損失関数であるβ-LossとD-Lossは、感度位置のパラメータバイアスを制限するために革新的に開発されている。
論文参考訳（メタデータ） (2021-08-25T15:27:44Z)
FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing [48.65974971543703]
画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。我々のモデルは、より自然でリアルなデハズド画像を生成することができ、色歪みは少なく、アーティファクトも少ない。実験により, 提案手法は, 公開合成データセットと実世界の画像の両方において, 最先端の性能に達することが示された。
論文参考訳（メタデータ） (2020-01-20T04:36:11Z)

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。