論文の概要: Latent Degradation Representation Constraint for Single Image Deraining
- arxiv url: http://arxiv.org/abs/2309.04780v3
- Date: Thu, 18 Jan 2024 07:13:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-19 20:08:54.135971
- Title: Latent Degradation Representation Constraint for Single Image Deraining
- Title(参考訳): 単一画像参照に対する潜在劣化表現制約
- Authors: Yuhong He, Long Peng, Lu Wang, Jun Cheng
- Abstract要約: 本稿では,DAEncoder(Direction-Aware),UNet Deraining Network,MSIBlockで構成されるLDRCNetを提案する。
合成および実データを用いた実験結果から,本手法が新たな最先端性能を実現することを示す。
- 参考スコア(独自算出の注目度): 13.414207526373959
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Since rain streaks show a variety of shapes and directions, learning the
degradation representation is extremely challenging for single image deraining.
Existing methods are mainly targeted at designing complicated modules to
implicitly learn latent degradation representation from coupled rainy images.
This way, it is hard to decouple the content-independent degradation
representation due to the lack of explicit constraint, resulting in over- or
under-enhancement problems. To tackle this issue, we propose a novel Latent
Degradation Representation Constraint Network (LDRCNet) that consists of
Direction-Aware Encoder (DAEncoder), UNet Deraining Network, and Multi-Scale
Interaction Block (MSIBlock). Specifically, the DAEncoder is proposed to
adaptively extract latent degradation representation by using the deformable
convolutions to exploit the direction consistency of rain streaks. Next, a
constraint loss is introduced to explicitly constraint the degradation
representation learning during training. Last, we propose an MSIBlock to fuse
with the learned degradation representation and decoder features of the
deraining network for adaptive information interaction, which enables the
deraining network to remove various complicated rainy patterns and reconstruct
image details. Experimental results on synthetic and real datasets demonstrate
that our method achieves new state-of-the-art performance.
- Abstract(参考訳): 雨片は様々な形状や方向を示すため、劣化表現の学習は単一の画像参照において極めて困難である。
既存の手法は主に複雑なモジュールの設計を目的としており、雨画像から潜在劣化表現を暗黙的に学習している。
このように、明示的な制約の欠如により、コンテンツ非依存の劣化表現を分離することは困難であり、結果として過度あるいは過小評価の問題が発生する。
そこで本稿では,DAEncoder(Direction-Aware Encoder),UNet Deraining Network(UNet Deraining Network),Multi-Scale Interaction Block(MSIBlock)からなるLDRCNet(Latent Degradation Representation Constraint Network)を提案する。
具体的には, 変形可能な畳み込みを用いて降雨の方向の整合性を利用して, 遅延劣化表現を適応的に抽出するDAEncoderを提案する。
次に、トレーニング中の劣化表現学習を明示的に制約するために制約損失を導入する。
最後に,情報伝達を適応的に行うために,情報伝達ネットワークの学習した劣化表現とデコーダ特徴を融合させるmsiブロックを提案する。
合成および実データを用いた実験結果から,本手法が新たな最先端性能を実現することを示す。
関連論文リスト
- Harnessing Joint Rain-/Detail-aware Representations to Eliminate Intricate Rains [9.6606245317525]
我々は、CNNやTransformerベースのモデルを効率的に制御できるコンテキストベースのインスタンスレベル変調機構を開発する。
また,降雨・降雨・降雨・降雨・降雨の表現を抽出するために,降雨・降雨・降雨対応学習戦略を考案した。
CoI-Mと雨量/深度を意識したコントラスト学習を組み合わせることで、混合データセットのトレーニングモデルに適した、革新的で強力なアルゴリズムであるCoICを開発する。
論文 参考訳(メタデータ) (2024-04-18T11:20:53Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳(メタデータ) (2023-12-12T06:07:21Z) - Dynamic Association Learning of Self-Attention and Convolution in Image
Restoration [56.49098856632478]
CNNとSelf attentionは、画像修復における自己意識と畳み込みの動的関連学習のためのマルチメディアアプリケーションにおいて大きな成功を収めている。
本稿では,その利点を活かし,その欠点を抑え,高品質で効率的な塗布を実現するためのアソシエーション学習手法を提案する。
論文 参考訳(メタデータ) (2023-11-09T05:11:24Z) - Contrastive Learning Based Recursive Dynamic Multi-Scale Network for
Image Deraining [47.764883957379745]
雨のストリークは撮影画像の可視性を著しく低下させる。
既存のディープラーニングベースの画像デライニング手法では、手作業で構築されたネットワークを使用して、雨の降った画像から明確な画像への直接投影を学習する。
本稿では,雨天画像と澄んだ画像との相関関係を考察した,対照的な学習に基づく画像デライニング手法を提案する。
論文 参考訳(メタデータ) (2023-05-29T13:51:41Z) - Learning Degradation Representations for Image Deblurring [37.80709422920307]
ぼやけた画像の空間適応的劣化表現を学習するための枠組みを提案する。
劣化表現の表現性を改善するために、新しい共同画像再生・復調学習プロセスを提案する。
GoProとRealBlurのデータセットの実験では、学習した劣化表現を用いたデブロアリングフレームワークが最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2022-08-10T09:53:16Z) - Meta-Learning based Degradation Representation for Blind
Super-Resolution [54.93926549648434]
メタラーニングに基づく地域劣化対応SRネットワーク(MRDA)を提案する。
我々はMRDAを用いて、数回の反復後に特定の複雑な劣化に迅速に適応し、暗黙的な劣化情報を抽出する。
教師ネットワークMRDA$_T$は、SRのためにMLNが抽出した劣化情報をさらに活用するように設計されている。
論文 参考訳(メタデータ) (2022-07-28T09:03:00Z) - SAPNet: Segmentation-Aware Progressive Network for Perceptual
Contrastive Deraining [2.615176171489612]
単一画像のデライニングのためのコントラスト学習に基づくセグメンテーション・アウェア・プログレッシブ・ネットワーク(SAPNet)を提案する。
本モデルでは,オブジェクト検出とセマンティックセマンティックセグメンテーションを高い精度で支援する。
論文 参考訳(メタデータ) (2021-11-17T03:57:11Z) - 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) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳(メタデータ) (2021-08-19T11:02:25Z)
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。