論文の概要: TSNet:A Two-stage Network for Image Dehazing with Multi-scale Fusion and Adaptive Learning
- arxiv url: http://arxiv.org/abs/2404.02460v1
- Date: Wed, 3 Apr 2024 05:02:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 18:29:43.565169
- Title: TSNet:A Two-stage Network for Image Dehazing with Multi-scale Fusion and Adaptive Learning
- Title(参考訳): TSNet:マルチスケール融合と適応学習による画像復調のための2段階ネットワーク
- Authors: Xiaolin Gong, Zehan Zheng, Heyuan Du,
- Abstract要約: 本稿ではTSNetと呼ばれる2段階画像デハージングネットワークを提案する。
マルチスケール融合モジュール(MSFM)と適応学習モジュール(ALM)から構成される。
大規模な実験では、TSNetは合成データセットと実世界のデータセットの両方で優れた脱ハージング性能を示す。
- 参考スコア(独自算出の注目度): 0.37240490024629924
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image dehazing has been a popular topic of research for a long time. Previous deep learning-based image dehazing methods have failed to achieve satisfactory dehazing effects on both synthetic datasets and real-world datasets, exhibiting poor generalization. Moreover, single-stage networks often result in many regions with artifacts and color distortion in output images. To address these issues, this paper proposes a two-stage image dehazing network called TSNet, mainly consisting of the multi-scale fusion module (MSFM) and the adaptive learning module (ALM). Specifically, MSFM and ALM enhance the generalization of TSNet. The MSFM can obtain large receptive fields at multiple scales and integrate features at different frequencies to reduce the differences between inputs and learning objectives. The ALM can actively learn of regions of interest in images and restore texture details more effectively. Additionally, TSNet is designed as a two-stage network, where the first-stage network performs image dehazing, and the second-stage network is employed to improve issues such as artifacts and color distortion present in the results of the first-stage network. We also change the learning objective from ground truth images to opposite fog maps, which improves the learning efficiency of TSNet. Extensive experiments demonstrate that TSNet exhibits superior dehazing performance on both synthetic and real-world datasets compared to previous state-of-the-art methods.
- Abstract(参考訳): 画像のデハジングは長い間、人気のある研究トピックである。
従来のディープラーニングに基づく画像デハージング手法では、合成データセットと実世界のデータセットの両方に十分なデハージング効果が得られず、一般化が不十分であった。
さらに、単一ステージネットワークは、出力画像のアーティファクトや色歪みを伴う多くの領域を生じることが多い。
そこで本稿では,マルチスケール融合モジュール (MSFM) と適応学習モジュール (ALM) で構成されるTSNetと呼ばれる2段階画像復調ネットワークを提案する。
特に、MSFMとALMはTSNetの一般化を強化する。
MSFMは、複数のスケールで大きな受容場を取得し、異なる周波数で特徴を統合することで、入力と学習目標の違いを減らすことができる。
ALMは画像に対する関心領域を積極的に学習し、テクスチャの詳細をより効率的に復元することができる。
さらに、TSNetは、第1段ネットワークが画像デハージングを行う2段ネットワークとして設計されており、第2段ネットワークは、第1段ネットワークの結果に存在するアーティファクトや色歪みなどの問題を改善するために使用される。
また,学習目標を地上の真実画像から反対の霧マップに変更し,TSNetの学習効率を向上させる。
大規模な実験により、TSNetは従来の最先端の手法と比較して、合成データセットと実世界のデータセットの両方で優れたデハージング性能を示すことが示された。
関連論文リスト
- Large-Scale Data-Free Knowledge Distillation for ImageNet via Multi-Resolution Data Generation [53.95204595640208]
Data-Free Knowledge Distillation (DFKD)は、教師モデルから生徒モデルへの知識伝達を可能にする高度な技術である。
従来のアプローチでは、実際の画像の情報を活用することなく、高解像度で合成画像を生成してきた。
MUSEは、クラスアクティベーションマップ(CAM)を使用して、低い解像度で画像を生成し、生成された画像が重要なクラス固有の特徴を保持することを保証する。
論文 参考訳(メタデータ) (2024-11-26T02:23:31Z) - Enhance Image Classification via Inter-Class Image Mixup with Diffusion Model [80.61157097223058]
画像分類性能を高めるための一般的な戦略は、T2Iモデルによって生成された合成画像でトレーニングセットを増強することである。
本研究では,既存のデータ拡張技術の欠点について検討する。
Diff-Mixと呼ばれる革新的なクラス間データ拡張手法を導入する。
論文 参考訳(メタデータ) (2024-03-28T17:23:45Z) - AADNet: Attention aware Demoiréing Network [2.1626093085892144]
モアレパターンは、モバイルデバイスやデジタルカメラで撮影された写真にしばしば現れる。
本稿では,高解像度画像復号化のための新しい軽量アーキテクチャであるAADNetを提案する。
論文 参考訳(メタデータ) (2024-03-13T09:48:11Z) - 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) - Mutual Information-driven Triple Interaction Network for Efficient Image
Dehazing [54.168567276280505]
画像デハージングのための相互情報駆動型トリプルインタラクションネットワーク(MITNet)を提案する。
振幅誘導ヘイズ除去と呼ばれる第1段階は、ヘイズ除去のためのヘイズ画像の振幅スペクトルを復元することを目的としている。
第2段階は位相誘導構造が洗練され、位相スペクトルの変換と微細化を学ぶことに尽力した。
論文 参考訳(メタデータ) (2023-08-14T08:23:58Z) - DMTNet: Dynamic Multi-scale Network for Dual-pixel Images Defocus
Deblurring with Transformer [1.408706290287121]
最近の研究は、畳み込みニューラルネットワーク(CNN)を用いた二重画素データに基づくデフォーカスデブロリングタスクにおいて優れた結果をもたらす。
デュアルピクセル画像デフォーカスデブロリングのための動的マルチスケールネットワークDMTNetを提案する。
論文 参考訳(メタデータ) (2022-09-13T14:47:09Z) - Mutual Learning for Domain Adaptation: Self-distillation Image Dehazing
Network with Sample-cycle [7.452382358080454]
ドメイン適応のための相互学習脱ハージングフレームワークを提案する。
具体的には、まず、合成ドメインの教師ネットワークと、実ドメインの学生ネットワークの2つのシアムネットワークを考案する。
この枠組みは, 主観的, 客観的評価の観点から, 最先端の脱ハージング技術より優れていることを示す。
論文 参考訳(メタデータ) (2022-03-17T16:32:14Z) - From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real
Data [58.50411487497146]
ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。
まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。
そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
論文 参考訳(メタデータ) (2021-08-06T04:00:28Z) - Efficient and Accurate Multi-scale Topological Network for Single Image
Dehazing [31.543771270803056]
本稿では,入力画像自体の特徴抽出と利用に注意を払います。
本稿では,マルチスケールトポロジカルネットワーク (mstn) を提案する。
一方、我々は、異なるスケールで機能の選択と融合を達成するために、マルチスケール機能融合モジュール(MFFM)と適応機能選択モジュール(AFSM)を設計します。
論文 参考訳(メタデータ) (2021-02-24T08:53:14Z) - aura-net : robust segmentation of phase-contrast microscopy images with
few annotations [2.1574781022415364]
AURA-netは位相コントラスト顕微鏡画像の分割のための畳み込みニューラルネットワーク(CNN)である。
AURA-netは、いくつかの小さな(100倍未満)データセットにおいて最先端の代替品よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-02-02T08:47:14Z) - Domain Adaptation for Image Dehazing [72.15994735131835]
既存のほとんどの方法は、合成ヘイズ画像のデハージングモデルを訓練するが、ドメインシフトによる実際のヘイズ画像の一般化は困難である。
画像変換モジュールと2つの画像デハージングモジュールからなるドメイン適応パラダイムを提案する。
実世界の合成画像と実世界の画像の両方で実験結果から,我々のモデルは最先端の脱ハージングアルゴリズムに対して好適に機能することが示された。
論文 参考訳(メタデータ) (2020-05-10T13:54:56Z)
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。