論文の概要: Driving-Video Dehazing with Non-Aligned Regularization for Safety Assistance

• arxiv url: http://arxiv.org/abs/2405.09996v1
• Date: Thu, 16 May 2024 11:28:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-17 14:31:57.689337
• Title: Driving-Video Dehazing with Non-Aligned Regularization for Safety Assistance
• Title（参考訳）: 安全支援のための非調整正規化による運転映像のデハジング
• Authors: Junkai Fan, Jiangwei Weng, Kun Wang, Yijun Yang, Jianjun Qian, Jun Li, Jian Yang,
• Abstract要約: 実際のドライビングビデオのデハージングは、正確に整列/クリアなビデオペアを取得するのが本質的に困難であるため、大きな課題となる。 非整合正規化戦略を通じてこの問題に対処する先駆的なアプローチを提案する。 このアプローチは、参照マッチングとビデオデハージングの2つの重要なコンポーネントから構成される。
• 参考スコア（独自算出の注目度）: 24.671417176179187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real driving-video dehazing poses a significant challenge due to the inherent difficulty in acquiring precisely aligned hazy/clear video pairs for effective model training, especially in dynamic driving scenarios with unpredictable weather conditions. In this paper, we propose a pioneering approach that addresses this challenge through a nonaligned regularization strategy. Our core concept involves identifying clear frames that closely match hazy frames, serving as references to supervise a video dehazing network. Our approach comprises two key components: reference matching and video dehazing. Firstly, we introduce a non-aligned reference frame matching module, leveraging an adaptive sliding window to match high-quality reference frames from clear videos. Video dehazing incorporates flow-guided cosine attention sampler and deformable cosine attention fusion modules to enhance spatial multiframe alignment and fuse their improved information. To validate our approach, we collect a GoProHazy dataset captured effortlessly with GoPro cameras in diverse rural and urban road environments. Extensive experiments demonstrate the superiority of the proposed method over current state-of-the-art methods in the challenging task of real driving-video dehazing. Project page.
• Abstract（参考訳）: 実際のドライビングビデオのデヘイジングは、特に予測不可能な気象条件の動的運転シナリオにおいて、効果的なモデルトレーニングのために、正確に整列されたヘイジー/クリアビデオペアを取得するのが本質的に困難であるため、大きな課題となる。 本稿では,非整合正規化戦略を通じてこの問題に対処する先駆的アプローチを提案する。 私たちの中核となる概念は、ぼんやりとしたフレームと密にマッチする明確なフレームを識別することであり、ビデオのデハージングネットワークを監督するための参照として役立ちます。 このアプローチは、参照マッチングとビデオデハージングの2つの重要なコンポーネントから構成される。 まず,アダプティブ・スライディング・ウインドウを利用する非アラインな参照フレームマッチング・モジュールを導入し,高品質な参照フレームをクリアなビデオからマッチングする。 ビデオデハジングは、フローガイドされたコサインアテンションサンプリング器と変形可能なコサインアテンションフュージョンモジュールを組み込んで、空間的多フレームアライメントを強化し、改善された情報を融合させる。 このアプローチを検証するために、GoProHazyデータセットを、農村部や都市部の様々な道路環境のGoProカメラで無作為に収集した。 実動ビデオデハージングの課題において,提案手法が現在の最先端手法よりも優れていることを示す実験が盛んである。 プロジェクトページ。

関連論文リスト

• Event-based Video Frame Interpolation with Edge Guided Motion Refinement [28.331148083668857]
  本稿では,イベント信号のエッジ特徴を効果的に活用するためのエンドツーエンドE-VFI学習手法を提案する。 提案手法にはエッジガイド・アテンテーティブ(EGA)モジュールが組み込まれており,アテンテーティブアグリゲーションによって推定された映像の動きを補正する。 合成データと実データの両方を用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-04-28T12:13:34Z)
• E2HQV: High-Quality Video Generation from Event Camera via Theory-Inspired Model-Aided Deep Learning [53.63364311738552]
  バイオインスパイアされたイベントカメラやダイナミックビジョンセンサーは、高時間分解能と高ダイナミックレンジでピクセルごとの明るさ変化(イベントストリームと呼ばれる)を捉えることができる。 イベントストリームを入力として取り出し、直感的な視覚化のために高品質なビデオフレームを生成する、イベント間ビデオ(E2V)ソリューションを求めている。 イベントから高品質なビデオフレームを生成するために設計された新しいE2VパラダイムであるtextbfE2HQVを提案する。
  論文  参考訳（メタデータ） (2024-01-16T05:10:50Z)
• TrackDiffusion: Tracklet-Conditioned Video Generation via Diffusion Models [75.20168902300166]
  微粒な軌跡条件の運動制御が可能な新しい映像生成フレームワークであるTrackDiffusionを提案する。 TrackDiffusionの重要なコンポーネントは、複数のオブジェクトのフレーム間の一貫性を明確に保証するインスタンスエンハンサーである。 TrackDiffusionによって生成されたビデオシーケンスは、視覚知覚モデルのトレーニングデータとして使用できる。
  論文  参考訳（メタデータ） (2023-12-01T15:24:38Z)
• Control-A-Video: Controllable Text-to-Video Generation with Diffusion Models [52.512109160994655]
  本稿では,制御可能なテキスト・ツー・ビデオ(T2V)拡散モデルであるコントロール・ア・ビデオについて述べる。 オブジェクトの一貫性を改善するために、Control-A-Videoは動画生成にモーション・プレッションとコンテント・プレッションを統合する。 本モデルでは, 資源効率の収束を実現し, きめ細かい制御で一貫したコヒーレントな映像を生成する。
  論文  参考訳（メタデータ） (2023-05-23T09:03:19Z)
• InstructVid2Vid: Controllable Video Editing with Natural Language Instructions [97.17047888215284]
  InstructVid2Vidは、人間の言語命令でガイドされたビデオ編集のためのエンドツーエンドの拡散ベースの方法論である。 我々のアプローチは、自然言語ディレクティブによって案内される映像操作を強化し、サンプルごとの微調整や逆変換の必要性を排除します。
  論文  参考訳（メタデータ） (2023-05-21T03:28:13Z)
• Video Dehazing via a Multi-Range Temporal Alignment Network with Physical Prior [117.6741444489174]
  ビデオのデハジングは、高い可視性とコントラストでヘイズフリーフレームを回復することを目的としている。 本稿では,物理ヘイズ先行を探索し,時間的情報を集約する新しい枠組みを提案する。 大規模な屋外ビデオデハージングベンチマークデータセットを構築した。
  論文  参考訳（メタデータ） (2023-03-17T03:44:17Z)
• Video Demoireing with Relation-Based Temporal Consistency [68.20281109859998]
  カラー歪みのように見えるモアレパターンは、デジタルカメラでスクリーンを撮影する際に、画像と映像の画質を著しく劣化させる。 我々は、このような望ましくないモアレパターンをビデオで除去する方法を研究している。
  論文  参考訳（メタデータ） (2022-04-06T17:45:38Z)
• Deep Motion Blind Video Stabilization [4.544151613454639]
  この研究は、新しいデータセットの助けを借りて、ビデオ安定化の過度に複雑化した定式化を解消することを目的としている。 より厳密な生成技術を用いて,モーションブラインドフルフレーム映像の安定化学習に成功した。 本手法は,現在利用可能な最速ビデオ安定化方式よりも$sim3times$の高速化を実現する。
  論文  参考訳（メタデータ） (2020-11-19T07:26:06Z)
• Deep Slow Motion Video Reconstruction with Hybrid Imaging System [12.340049542098148]
  現在の技術は、難題では有効でない線形物体の動きを仮定することにより、フレームを通して標準映像のフレームレートを増大させる。 本稿では,アライメントと外観推定を組み合わせた2段階のディープラーニングシステムを提案する。 我々は、合成合成ハイブリッドビデオでモデルをトレーニングし、様々なテストシーンで高品質な結果を示す。
  論文  参考訳（メタデータ） (2020-02-27T14:18:12Z)

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。