論文の概要: KPNDepth: Depth Estimation of Lane Images under Complex Rainy Environment
- arxiv url: http://arxiv.org/abs/2405.09964v1
- Date: Thu, 16 May 2024 10:15:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-17 14:41:47.972572
- Title: KPNDepth: Depth Estimation of Lane Images under Complex Rainy Environment
- Title（参考訳）: KPNDepth:複雑な雨環境下でのレーン画像の深さ推定
- Authors: Zhengxu Shi,
- Abstract要約: そこで本研究では,オフラインデータに基づいて学習したデュアルレイヤの画素単位の畳み込みカーネル予測ネットワークを提案する。
対象画像に対して2組の独立畳み込みカーネルを予測することにより、複雑な環境要因による深度情報損失を復元する。
現在,降雨レーンデータがないため,画像合成アルゴリズムRCFLaneを導入する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the development of deep neural network generative models in recent years, significant progress has been made in the research of depth estimation in lane scenes. However, current research achievements are mainly focused on clear daytime scenarios. In complex rainy environments, the influence of rain streaks and local fog effects often leads to erroneous increases in the overall depth estimation values in images. Moreover, these natural factors can introduce disturbances to the accurate prediction of depth boundaries in images. In this paper, we investigate lane depth estimation in complex rainy environments. Based on the concept of convolutional kernel prediction, we propose a dual-layer pixel-wise convolutional kernel prediction network trained on offline data. By predicting two sets of independent convolutional kernels for the target image, we restore the depth information loss caused by complex environmental factors and address the issue of rain streak artifacts generated by a single convolutional kernel set. Furthermore, considering the lack of real rainy lane data currently available, we introduce an image synthesis algorithm, RCFLane, which comprehensively considers the darkening of the environment due to rainfall and local fog effects. We create a synthetic dataset containing 820 experimental images, which we refer to as RainKITTI, on the commonly used depth estimation dataset KITTI. Extensive experiments demonstrate that our proposed depth estimation framework achieves favorable results in highly complex lane rainy environments.
- Abstract（参考訳）: 近年のディープニューラルネットワーク生成モデルの発展に伴い、レーンシーンにおける深度推定の研究において大きな進展が見られた。
しかし、現在の研究成果は主に晴れた昼のシナリオに焦点を当てている。
複雑な雨天環境では、雨天の影響と局所霧の影響が、画像の全体深度推定値の誤った増加に繋がることが多い。
さらに、これらの自然要因は、画像の深さ境界の正確な予測に障害をもたらす可能性がある。
本稿では,複雑な降雨環境におけるレーン深さ推定について検討する。
本稿では、畳み込みカーネル予測の概念に基づいて、オフラインデータに基づいて訓練された2層級畳み込みカーネル予測ネットワークを提案する。
対象画像に対して2つの独立した畳み込みカーネルを予測することにより、複雑な環境要因による深度情報損失を回復し、単一の畳み込みカーネルセットによって生成された雨天人工物の問題に対処する。
さらに,現在利用可能な降雨レーンデータがないことを踏まえ,降雨と局所霧の影響による環境の暗化を包括的に考慮した画像合成アルゴリズムRCFLaneを導入する。
我々は,一般的に使用されている深度推定データセットKITTIに基づいて,RainKITTIと呼ばれる820個の実験画像を含む合成データセットを作成する。
大規模な実験により,提案した深度推定フレームワークは,高度に複雑なレーン雨環境において良好な結果が得られることが示された。
関連論文リスト
- RainyScape: Unsupervised Rainy Scene Reconstruction using Decoupled Neural Rendering [50.14860376758962]
多視点降雨画像の集合からクリーンなシーンを再構築するための教師なしフレームワークであるRainyScapeを提案する。
ニューラルネットワークのスペクトルバイアス特性に基づいて、まずニューラルネットワークのレンダリングパイプラインを最適化し、低周波シーン表現を得る。
我々は2つのモジュールを協調的に最適化し,適応的指向性勾配に基づく再構成損失によって駆動する。
論文 参考訳（メタデータ） (2024-04-17T14:07:22Z) - TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。
その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。
提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
論文 参考訳（メタデータ） (2024-03-15T03:27:39Z) - Dual Degradation Representation for Joint Deraining and Low-Light Enhancement in the Dark [57.85378202032541]
暗闇の中での雨は、自律運転や監視システム、夜間写真など、現実世界のアプリケーションをデプロイする上で大きな課題となる。
既存の低照度化や除染法は、低照度を明るくし、同時に雨を取り除くのに苦労する。
L$2$RIRNetと呼ばれるエンド・ツー・エンドのモデルを導入する。
論文 参考訳（メタデータ） (2023-05-06T10:17:42Z) - Single Image Deraining via Rain-Steaks Aware Deep Convolutional Neural
Network [16.866000078306815]
雨天画像から高周波情報を抽出するために、改良された重み付きガイド画像フィルタ(iWGIF)を提案する。
高周波情報は主にレインステーキとノイズを含み、レインステーキが深い畳み込みニューラルネットワーク(RSADCNN)を認識してレインステーキに注意を払うように誘導することができる。
論文 参考訳（メタデータ） (2022-09-16T09:16:03Z) - Not Just Streaks: Towards Ground Truth for Single Image Deraining [42.15398478201746]
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。
本稿では,雨天と清潔な画像の間の雨害損失を最小限に抑え,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。
論文 参考訳（メタデータ） (2022-06-22T00:10:06Z) - Semi-MoreGAN: A New Semi-supervised Generative Adversarial Network for
Mixture of Rain Removal [18.04268933542476]
降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水・降水)
セミモレGANは、4つの重要なモジュールで構成されている: (I) 正確な深度推定を提供する新しい注意深度予測ネットワーク、 (ii) 詳細な画像コンテキスト特徴を生成するためによく設計された詳細残差ブロックで構成されたコンテキスト特徴予測ネットワーク、 (iii) ピラミッド深度誘導非局所ネットワークにより画像コンテキストを深度情報と有効に統合し、最終雨量のない画像を生成する、 (iv) モデルに制限を加えるための包括的な半教師付き損失関数。
論文 参考訳（メタデータ） (2022-04-28T11:35:26Z) - Single Image Deraining Network with Rain Embedding Consistency and
Layered LSTM [14.310541943673181]
本稿では,オートエンコーダのエンコード埋め込みを理想的な雨埋め込みとして,「レイン埋め込み一貫性」の概念を紹介した。
レイン・エンベディング・ロス(Rain Embedding Loss)は、法定局所コントラスト正規化(Rectified Local Contrast Normalization)をガイドとして、エンコーディングプロセスを直接監督するために適用される。
また,異なるスケールを考慮した繰り返しデラリニングおよび微細エンコーダ機能改善のための層状LSTMを提案する。
論文 参考訳（メタデータ） (2021-11-05T17:03:08Z) - RCDNet: An Interpretable Rain Convolutional Dictionary Network for
Single Image Deraining [49.99207211126791]
雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。
RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。
このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
論文 参考訳（メタデータ） (2021-07-14T16:08:11Z) - 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)
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。