論文の概要: Sparse Sampling Transformer with Uncertainty-Driven Ranking for Unified
Removal of Raindrops and Rain Streaks
- arxiv url: http://arxiv.org/abs/2308.14153v1
- Date: Sun, 27 Aug 2023 16:33:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 16:36:17.185010
- Title: Sparse Sampling Transformer with Uncertainty-Driven Ranking for Unified
Removal of Raindrops and Rain Streaks
- Title(参考訳): 雨滴と雨天の統一除去のための不確かさ駆動ランク付スパースサンプリング変圧器
- Authors: Sixiang Chen, Tian Ye, Jinbin Bai, Erkang Chen, Jun Shi, Lei Zhu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 17.00078021737863
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the real world, image degradations caused by rain often exhibit a
combination of rain streaks and raindrops, thereby increasing the challenges of
recovering the underlying clean image. Note that the rain streaks and raindrops
have diverse shapes, sizes, and locations in the captured image, and thus
modeling the correlation relationship between irregular degradations caused by
rain artifacts is a necessary prerequisite for image deraining. This paper aims
to present an efficient and flexible mechanism to learn and model degradation
relationships in a global view, thereby achieving a unified removal of
intricate rain scenes. To do so, we propose a Sparse Sampling Transformer based
on Uncertainty-Driven Ranking, dubbed UDR-S2Former. Compared to previous
methods, our UDR-S2Former has three merits. First, it can adaptively sample
relevant image degradation information to model underlying degradation
relationships. Second, explicit application of the uncertainty-driven ranking
strategy can facilitate the network to attend to degradation features and
understand the reconstruction process. Finally, experimental results show that
our UDR-S2Former clearly outperforms state-of-the-art methods for all
benchmarks.
- Abstract(参考訳): 現実世界では、雨による画像劣化は雨のストレークと雨滴の組み合わせをしばしば表わすため、基礎となるクリーンイメージの回復の課題が増大する。
降雨量と降雨量には形状,大きさ,位置が異なっており,降雨物による不規則な劣化との相関関係をモデル化することが,画像の劣化に必要不可欠である。
本研究の目的は,グローバルビュー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供することである。
そこで我々は,UDR-S2Formerと呼ばれる不確実性駆動型ランキングに基づくスパースサンプリング変換器を提案する。
従来の方法と比較して、UDR-S2Formerには3つのメリットがあります。
まず、関連する画像劣化情報を適応的にサンプリングし、基礎となる劣化関係をモデル化する。
第2に、不確実性駆動型ランキング戦略の明示的な適用により、ネットワークが劣化機能に対応し、再構築プロセスを理解することができる。
最後に、UDR-S2Formerは、すべてのベンチマークで最先端の手法よりも明らかに優れていることを示す。
関連論文リスト
- Towards Ground Truth for Single Image Deraining [45.50400293855075]
実世界の雨天とクリーンなイメージペアの大規模データセットを提案する。
雨天と清潔な画像の間の雨変量損失を最小限に抑えて、基盤となるシーンを再構築するディープニューラルネットワークを提案する。
本モデルでは, 種々の条件下での実際の降雨画像において, 最先端のデレーニング手法よりも優れた性能を示すことができる。
論文 参考訳(メタデータ) (2022-06-22T00:10:06Z) - Semi-DRDNet Semi-supervised Detail-recovery Image Deraining Network via
Unpaired Contrastive Learning [59.22620253308322]
半教師付き詳細復元画像デラミニングネットワーク(セミDRDNet)を提案する。
半教師付き学習パラダイムとして、Semi-DRDNetは、強靭性と詳細な精度を犠牲にして、合成データと実世界の降雨データの両方を円滑に運用する。
論文 参考訳(メタデータ) (2022-04-06T12:35:27Z) - 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) - Unpaired Adversarial Learning for Single Image Deraining with Rain-Space
Contrastive Constraints [61.40893559933964]
我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。
提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
論文 参考訳(メタデータ) (2021-09-07T10:00:45Z) - Closing the Loop: Joint Rain Generation and Removal via Disentangled
Image Translation [12.639320247831181]
我々は、雨の発生と除去は同じ硬貨の両側面であり、密結合であるべきだと主張する。
本稿では,各一方向ネットワークが2ループの連雨発生と除去を含む双方向不整合翻訳ネットワークを提案する。
人工および実世界の降雨データセットに関する実験は、最先端の雨よりも提案手法の優越性を示している。
論文 参考訳(メタデータ) (2021-03-25T08:21:43Z) - 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) - Semi-DerainGAN: A New Semi-supervised Single Image Deraining Network [45.78251508028359]
本稿では,セミデリンGANと呼ばれる,半教師付きGANベースのデラミニングネットワークを提案する。
2つの教師なしおよび教師なしのプロセスを使用して、一様ネットワークで合成画像と実際の雨画像の両方を使用することができる。
そこで我々は,実対と偽対を識別する識別器を設計した。
論文 参考訳(メタデータ) (2020-01-23T07:01:30Z)
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。