論文の概要: Decoupling Degradation and Content Processing for Adverse Weather Image
Restoration
- arxiv url: http://arxiv.org/abs/2312.05006v1
- Date: Fri, 8 Dec 2023 12:26:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 15:13:15.228172
- Title: Decoupling Degradation and Content Processing for Adverse Weather Image
Restoration
- Title(参考訳): 逆気象画像復元のためのデカップリング劣化とコンテンツ処理
- Authors: Xi Wang, Xueyang Fu, Peng-Tao Jiang, Jie Huang, Mi Zhou, Bo Li,
Zheng-Jun Zha
- Abstract要約: 逆の気象画像復元は、雨、干し草、雪などの様々な気象の影響を受ける人々から、鮮明なイメージを復元する試みである。
従来の手法では、1つのネットワーク内で複数の気象タイプを処理できるが、これら2つのプロセス間の決定的な区別を無視し、復元された画像の品質を制限している。
本研究は,DDCNetと呼ばれる新しい悪天候画像復元手法を導入し,チャネル統計に基づく特徴レベルの劣化除去とコンテンツ復元を分離する。
- 参考スコア(独自算出の注目度): 79.59228846484415
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Adverse weather image restoration strives to recover clear images from those
affected by various weather types, such as rain, haze, and snow. Each weather
type calls for a tailored degradation removal approach due to its unique impact
on images. Conversely, content reconstruction can employ a uniform approach, as
the underlying image content remains consistent. Although previous techniques
can handle multiple weather types within a single network, they neglect the
crucial distinction between these two processes, limiting the quality of
restored images. This work introduces a novel adverse weather image restoration
method, called DDCNet, which decouples the degradation removal and content
reconstruction process at the feature level based on their channel statistics.
Specifically, we exploit the unique advantages of the Fourier transform in both
these two processes: (1) the degradation information is mainly located in the
amplitude component of the Fourier domain, and (2) the Fourier domain contains
global information. The former facilitates channel-dependent degradation
removal operation, allowing the network to tailor responses to various adverse
weather types; the latter, by integrating Fourier's global properties into
channel-independent content features, enhances network capacity for consistent
global content reconstruction. We further augment the degradation removal
process with a degradation mapping loss function. Extensive experiments
demonstrate our method achieves state-of-the-art performance in multiple
adverse weather removal benchmarks.
- Abstract(参考訳): 逆の気象画像復元は、雨、干し草、雪などの様々な気象タイプの影響を受けやすいイメージを復元する試みである。
それぞれの気象タイプは、画像に特有の影響を与えるため、調整された劣化除去アプローチを要求する。
逆に、コンテンツ再構成は、基盤となる画像内容が一貫しているため、一様アプローチを用いることができる。
従来の手法では、1つのネットワーク内で複数の気象タイプを処理できるが、これら2つのプロセス間の決定的な区別を無視し、復元された画像の品質を制限する。
本研究は,ddcnetと呼ばれる新たな悪天候画像復元手法を導入し,そのチャネル統計に基づいて,劣化除去過程とコンテンツ復元過程を特徴レベルで分離する。
具体的には、この2つの過程においてフーリエ変換の独特な利点を生かし、(1)分解情報はフーリエ領域の振幅成分に主に含まれ、(2)フーリエ領域はグローバル情報を含んでいる。
前者は,チャネル依存の劣化除去作業を促進し,ネットワークが各種の悪天候に対する応答を調整できるようにする。後者は,Fourierのグローバルプロパティをチャネル非依存のコンテンツ特徴に統合することにより,一貫したグローバルコンテンツ再構成のためのネットワーク容量を向上する。
劣化マッピング損失関数により劣化除去処理をさらに強化する。
複数の悪天候除去ベンチマークにおいて,本手法による最先端性能の実証実験を行った。
関連論文リスト
- Learning Frequency-Aware Dynamic Transformers for All-In-One Image Restoration [15.561713188178455]
本稿では,先進視覚変換器を利用したオールインワン画像復元手法を提案する。
本手法は,周波数認識型事前学習変圧器(Dformer)と劣化適応再生変圧器(Rformer)の2つの主成分からなる。
論文 参考訳(メタデータ) (2024-06-30T13:14:44Z) - AdaIR: Adaptive All-in-One Image Restoration via Frequency Mining and Modulation [99.57024606542416]
周波数マイニングと変調に基づく適応的なオールインワン画像復元ネットワークを提案する。
我々のアプローチは、異なる周波数サブバンド上の画像内容に異なる劣化タイプが影響を及ぼすという観察によって動機付けられている。
提案モデルでは,入力劣化に応じて情報周波数サブバンドをアクセントすることで適応的再構成を実現する。
論文 参考訳(メタデータ) (2024-03-21T17:58:14Z) - 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) - Always Clear Days: Degradation Type and Severity Aware All-In-One
Adverse Weather Removal [8.58670633761819]
オールインワンの悪天候除去は画像復元における新たな話題であり、統一されたモデルで複数の気象劣化を回復することを目的としている。
本稿では,視覚障害者の悪天候画像復元のための劣化型および重症度認識モデルUtilityIRを提案する。
論文 参考訳(メタデータ) (2023-10-27T17:29:55Z) - All-in-one Multi-degradation Image Restoration Network via Hierarchical
Degradation Representation [47.00239809958627]
我々は新しいオールインワン・マルチデグレーション画像復元ネットワーク(AMIRNet)を提案する。
AMIRNetは、クラスタリングによって木構造を段階的に構築することで、未知の劣化画像の劣化表現を学習する。
この木構造表現は、様々な歪みの一貫性と不一致を明示的に反映しており、画像復元の具体的な手がかりとなっている。
論文 参考訳(メタデータ) (2023-08-06T04:51:41Z) - 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) - Gated Fusion Network for Degraded Image Super Resolution [78.67168802945069]
本稿では,基本特徴と回復特徴を別々に抽出する二分岐畳み込みニューラルネットワークを提案する。
特徴抽出ステップを2つのタスク非依存ストリームに分解することで、デュアルブランチモデルがトレーニングプロセスを容易にすることができる。
論文 参考訳(メタデータ) (2020-03-02T13:28:32Z)
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。