論文の概要: KPNDepth: Depth Estimation of Lane Images under Complex Rainy Environment
- arxiv url: http://arxiv.org/abs/2405.09964v2
- Date: Tue, 08 Oct 2024 11:39:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-10 14:27:44.858931
- 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: 本稿では,降雨環境下でのレーン深度推定のための新しい2層畳み込みカーネル予測ネットワークを提案する。
2組のカーネルを予測し、深さ損失と雨天のアーティファクトを緩和する。
実験は、複雑な雨条件下でのフレームワークの有効性を示す。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Recent advancements in deep neural networks have improved depth estimation in clear, daytime driving scenarios. However, existing methods struggle with rainy conditions due to rain streaks and fog, which distort depth estimation. This paper introduces a novel dual-layer convolutional kernel prediction network for lane depth estimation in rainy environments. It predicts two sets of kernels to mitigate depth loss and rain streak artifacts. To address the scarcity of real rainy lane data, an image synthesis algorithm, RCFLane, is presented, creating a synthetic dataset called RainKITTI. Experiments show the framework's effectiveness in complex rainy conditions.
- Abstract(参考訳): 深層ニューラルネットワークの最近の進歩は、晴れた昼間の運転シナリオにおける深さ推定を改善した。
しかし, 既存の手法では, 深度推定を歪ませる雨害や霧が原因で, 雨害に悩まされている。
本稿では,降雨環境下でのレーン深度推定のための新しい2層畳み込みカーネル予測ネットワークを提案する。
2組のカーネルを予測し、深さ損失と雨天のアーティファクトを緩和する。
実際の降雨レーンデータの不足に対処するため、画像合成アルゴリズムRCFLaneが提示され、RainKITTIと呼ばれる合成データセットが作成される。
実験は、複雑な雨条件下でのフレームワークの有効性を示す。
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) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - Towards Ground Truth for Single Image Deraining [45.50400293855075]
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。
雨天と清潔な画像の間の雨変量損失を最小限に抑えて、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。
本モデルでは, 種々の条件下での実際の降雨画像において, 最先端のデレーニング手法よりも優れた性能を示すことができる。
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) - A high-precision self-supervised monocular visual odometry in foggy
weather based on robust cycled generative adversarial networks and multi-task
learning aided depth estimation [0.0]
本稿では,霧の天候下でのナビゲーションに特化して設計された,高精度な自己監督型単分子VOを提案する。
サイクル生成対向ネットワークは、前と後ろの半サイクルに一貫した推定を強制することで、高品質な自己監督的損失を得るように設計されている。
霧の天候における自己監督的損失に対する複雑な光度変化の干渉を取り除くため、勾配に基づく損失と知覚的損失が導入された。
論文 参考訳(メタデータ) (2022-03-09T15:41:57Z) - Wild ToFu: Improving Range and Quality of Indirect Time-of-Flight Depth
with RGB Fusion in Challenging Environments [56.306567220448684]
本稿では,ノイズの多い生のI-ToF信号とRGB画像を用いた学習に基づくエンド・ツー・エンドの深度予測ネットワークを提案する。
最終深度マップでは,ベースラインアプローチと比較して40%以上のRMSE改善が見られた。
論文 参考訳(メタデータ) (2021-12-07T15:04:14Z) - Unsupervised Monocular Depth Estimation in Highly Complex Environments [9.580317751486636]
教師なし単分子深度推定法は主に日中のシナリオに焦点を当てる。
夜、雨の夜、または雪の冬など、いくつかの困難な環境では、異なるフレーム上の同じピクセルの光度測定は相容れない。
本稿では、ドメイン適応を用いてこの問題に対処し、画像転送に基づく一貫した適応フレームワークを提案する。
論文 参考訳(メタデータ) (2021-07-28T02:35:38Z) - Sparse Auxiliary Networks for Unified Monocular Depth Prediction and
Completion [56.85837052421469]
コスト効率のよいセンサで得られたデータからシーン形状を推定することは、ロボットや自動運転車にとって鍵となる。
本稿では,1枚のRGB画像から,低コストな能動深度センサによるスパース計測により,深度を推定する問題について検討する。
sparse networks (sans) は,深さ予測と完了という2つのタスクをmonodepthネットワークで実行可能にする,新しいモジュールである。
論文 参考訳(メタデータ) (2021-03-30T21:22:26Z) - 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)
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。