論文の概要: MvKSR: Multi-view Knowledge-guided Scene Recovery for Hazy and Rainy
Degradation
- arxiv url: http://arxiv.org/abs/2401.03800v1
- Date: Mon, 8 Jan 2024 10:41:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 16:58:44.738229
- Title: MvKSR: Multi-view Knowledge-guided Scene Recovery for Hazy and Rainy
Degradation
- Title（参考訳）: MvKSR:多視点の知識誘導型シーンリカバリ
- Authors: Dong Yang, Wenyu Xu, Yuxu Lu, Yuan Gao, Jingming Zhang, and Yu Guo
- Abstract要約: 高品質のイメージングは、交通や産業などの分野における安全の監督とインテリジェントな展開を保証するために不可欠である。
大気の湿潤度や降水などの悪天候は、画質に大きな影響を及ぼす可能性がある。
本稿では, 降雨条件下での劣化画像を復元する, 知識誘導型シーンリカバリネットワーク(MvKSR)を提案する。
- 参考スコア（独自算出の注目度）: 8.955174143860681
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-quality imaging is crucial for ensuring safety supervision and
intelligent deployment in fields like transportation and industry. It enables
precise and detailed monitoring of operations, facilitating timely detection of
potential hazards and efficient management. However, adverse weather
conditions, such as atmospheric haziness and precipitation, can have a
significant impact on image quality. When the atmosphere contains dense haze or
water droplets, the incident light scatters, leading to degraded captured
images. This degradation is evident in the form of image blur and reduced
contrast, increasing the likelihood of incorrect assessments and
interpretations by intelligent imaging systems (IIS). To address the challenge
of restoring degraded images in hazy and rainy conditions, this paper proposes
a novel multi-view knowledge-guided scene recovery network (termed MvKSR).
Specifically, guided filtering is performed on the degraded image to separate
high/low-frequency components. Subsequently, an en-decoder-based multi-view
feature coarse extraction module (MCE) is used to coarsely extract features
from different views of the degraded image. The multi-view feature fine fusion
module (MFF) will learn and infer the restoration of degraded images through
mixed supervision under different views. Additionally, we suggest an atrous
residual block to handle global restoration and local repair in
hazy/rainy/mixed scenes. Extensive experimental results demonstrate that MvKSR
outperforms other state-of-the-art methods in terms of efficiency and stability
for restoring degraded scenarios in IIS.
- Abstract（参考訳）: 交通や産業などの分野における安全管理とインテリジェントな展開の確保には、高品質なイメージングが不可欠である。
操作の正確かつ詳細な監視を可能にし、潜在的な危険性のタイムリーな検出と効率的な管理を容易にする。
しかし、大気のハジネスや降水などの悪天候条件は、画質に大きな影響を与える可能性がある。
大気中に高密度の迷路や水滴が含まれていると、入射光が散乱し、捕獲された画像が劣化する。
この劣化は画像のぼやけやコントラストの減少という形で明らかであり、インテリジェントイメージングシステム(IIS)による誤った評価や解釈の可能性を高めている。
そこで本研究では,多視点の知識誘導型シーンリカバリネットワーク(MvKSR)を提案する。
具体的には、劣化画像上で誘導フィルタリングを行い、高/低周波成分を分離する。
その後、エンデコーダベースのマルチビュー特徴粗抽出モジュール(MCE)を用いて、劣化画像の異なるビューから特徴を粗く抽出する。
マルチビュー機能ファインフュージョンモジュール(MFF)は、異なる視点下での混合監視により劣化した画像の復元を学習し、推測する。
さらに,hazy/rainy/mixedシーンにおいて,グローバル修復と局所修復を処理できる高機能な残余ブロックを提案する。
大規模な実験結果から,MvKSRはIISの劣化シナリオの回復における効率と安定性の観点から,他の最先端手法よりも優れていることが示された。
関連論文リスト
- Real-Time Multi-Scene Visibility Enhancement for Promoting Navigational Safety of Vessels Under Complex Weather Conditions [48.529493393948435]
この可視光カメラは、インテリジェントな水上輸送システムにおいて、海洋表面の容器に不可欠なイメージングセンサーとして登場した。
視覚画像の画質は、複雑な気象条件下での様々な劣化に必然的に悩まされる。
本研究では,異なる気象条件下で撮影された劣化画像を復元する汎用多場面可視性向上手法を開発した。
論文 参考訳（メタデータ） (2024-09-02T23:46:27Z) - Multi-Scale Representation Learning for Image Restoration with State-Space Model [13.622411683295686]
効率的な画像復元のためのマルチスケール状態空間モデル(MS-Mamba)を提案する。
提案手法は,計算複雑性を低く保ちながら,新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2024-08-19T16:42:58Z) - 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、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) - Joint Conditional Diffusion Model for Image Restoration with Mixed Degradations [29.14467633167042]
悪天候下における画像復元のための新しい手法を提案する。
大気散乱モデルに基づく混合劣化モデルを用いて, 復元過程全体を導出する。
マルチウェザーおよび気象特化データセットの実験は、最先端の競合手法よりも、我々の手法が優れていることを示す。
論文 参考訳（メタデータ） (2024-04-11T14:07:16Z) - NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。
雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。
雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
論文 参考訳（メタデータ） (2024-02-28T09:02:33Z) - AoSRNet: All-in-One Scene Recovery Networks via Multi-knowledge
Integration [17.070755601209136]
マルチ知識統合によるオールインワンシーン復元ネットワーク(AoSRNet)を提案する。
ガンマ補正(GC)と最適化線形ストレッチ(OLS)を組み合わせてディテール拡張モジュール(DEM)とカラー復元モジュール(CRM)を作成する。
総合的な実験結果から,AoSRNetの有効性と安定性が他の最先端手法と比較された。
論文 参考訳（メタデータ） (2024-02-06T06:12:03Z) - Hybrid-Supervised Dual-Search: Leveraging Automatic Learning for
Loss-free Multi-Exposure Image Fusion [60.221404321514086]
マルチ露光画像融合(MEF)は、様々な露光レベルを表すデジタルイメージングの限界に対処するための重要な解決策である。
本稿では、ネットワーク構造と損失関数の両方を自動設計するための二段階最適化探索方式であるHSDS-MEFと呼ばれるMEFのためのハイブリッドスーパービジョンデュアルサーチ手法を提案する。
論文 参考訳（メタデータ） (2023-09-03T08:07:26Z) - 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 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 Conditional Knowledge Distillation for Degraded-Reference Image
Quality Assessment [157.1292674649519]
劣化参照IQA(DR-IQA)という実用的な解を提案する。
DR-IQAはIRモデルの入力、劣化したイメージを参照として利用する。
私たちの結果は、フル参照設定のパフォーマンスに近いものもあります。
論文 参考訳（メタデータ） (2021-08-18T02:35:08Z)
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。