論文の概要: Real-world Image Dehazing with Coherence-based Label Generator and Cooperative Unfolding Network

• arxiv url: http://arxiv.org/abs/2406.07966v1
• Date: Wed, 12 Jun 2024 07:44:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-13 17:55:44.488589
• Title: Real-world Image Dehazing with Coherence-based Label Generator and Cooperative Unfolding Network
• Title（参考訳）: Coherence-based Label Generator and Cooperative Unfolding Networkによる実世界のデハジング
• Authors: Chengyu Fang, Chunming He, Fengyang Xiao, Yulun Zhang, Longxiang Tang, Yuelin Zhang, Kai Li, Xiu Li,
• Abstract要約: 実世界のイメージデハジングは、実世界の設定におけるヘイズによる劣化を軽減することを目的としている。 本研究では,大気散乱と画像シーンを協調的にモデル化する,協調的展開ネットワークを提案する。 また,コヒーレンスに基づくラベルジェネレータと呼ばれるRID指向の反復型平均教師フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 50.31598963315055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world Image Dehazing (RID) aims to alleviate haze-induced degradation in real-world settings. This task remains challenging due to the complexities in accurately modeling real haze distributions and the scarcity of paired real-world data. To address these challenges, we first introduce a cooperative unfolding network that jointly models atmospheric scattering and image scenes, effectively integrating physical knowledge into deep networks to restore haze-contaminated details. Additionally, we propose the first RID-oriented iterative mean-teacher framework, termed the Coherence-based Label Generator, to generate high-quality pseudo labels for network training. Specifically, we provide an optimal label pool to store the best pseudo-labels during network training, leveraging both global and local coherence to select high-quality candidates and assign weights to prioritize haze-free regions. We verify the effectiveness of our method, with experiments demonstrating that it achieves state-of-the-art performance on RID tasks. Code will be available at \url{https://github.com/cnyvfang/CORUN-Colabator}.
• Abstract（参考訳）: 実世界のイメージデハジング(RID)は、実世界の環境におけるヘイズによる劣化を軽減することを目的としている。 この課題は、実際のヘイズ分布を正確にモデル化する複雑さと、ペア化された実世界のデータの不足のため、依然として困難である。 これらの課題に対処するために、我々はまず、大気散乱と画像シーンを協調的にモデル化し、物理的知識を深層ネットワークに効果的に統合して、ヘイズ汚染した詳細を復元する、協調展開ネットワークを導入する。 さらに、ネットワークトレーニングのための高品質な擬似ラベルを生成するために、Coherence-based Label Generatorと呼ばれる最初のRID指向反復型平均教師フレームワークを提案する。 具体的には、ネットワークトレーニング中に最適な擬似ラベルを格納するための最適なラベルプールを提供し、グローバルなコヒーレンスとローカルなコヒーレンスを利用して高品質な候補を選定し、ハイウェイトを優先してヘイズフリー領域を優先順位付けする。 提案手法の有効性を検証し,RIDタスクにおける最先端性能を実現する実験を行った。 コードは \url{https://github.com/cnyvfang/CORUN-Colabator} で入手できる。

関連論文リスト

• RIDCP: Revitalizing Real Image Dehazing via High-Quality Codebook Priors [14.432465539590481]
  既存のデハジングアプローチは、ペアの実際のデータと堅牢な事前処理が欠如しているため、現実のハジーなイメージを処理するのに苦労している。 よりリアルなヘイズデータを合成する観点から、実画像のデハジングのための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-08T12:12:24Z)
• Imposing Consistency for Optical Flow Estimation [73.53204596544472]
  プロキシタスクによる一貫性の導入は、データ駆動学習を強化することが示されている。 本稿では,光フロー推定のための新しい,効果的な整合性戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-14T22:58:30Z)
• NetRCA: An Effective Network Fault Cause Localization Algorithm [22.88986905436378]
  ネットワーク障害の根本原因の特定は、ネットワークの運用と保守に不可欠である。 この問題に対処するために,NetRCAという新しいアルゴリズムを提案する。 ICASSP 2022 AIOps Challengeの実際のデータセットで実験と分析が行われる。
  論文  参考訳（メタデータ） (2022-02-23T02:03:35Z)
• 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)
• Dehaze-GLCGAN: Unpaired Single Image De-hazing via Adversarial Training [3.5788754401889014]
  単一画像デハジングのためのデハジンググローバルローカルサイクル一貫性生成適応ネットワーク(Dehaze-GLCGAN)を提案する。 3つのベンチマークデータセットに対する実験により、ネットワークはPSNRとSSIMの点で過去の作業より優れていたことが判明した。
  論文  参考訳（メタデータ） (2020-08-15T02:43:00Z)
• Gradient-Induced Co-Saliency Detection [81.54194063218216]
  Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。 本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:40:55Z)
• A U-Net Based Discriminator for Generative Adversarial Networks [86.67102929147592]
  GAN(Generative Adversarial Network)のための代替U-Netベースの識別器アーキテクチャを提案する。 提案アーキテクチャにより,合成画像のグローバルコヒーレンスを維持しつつ,画素単位の詳細なフィードバックを生成元に提供することができる。 斬新な判別器は、標準分布と画像品質の指標の観点から、最先端の技術を向上する。
  論文  参考訳（メタデータ） (2020-02-28T11:16:54Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。