論文の概要: Cycle Contrastive Adversarial Learning for Unsupervised image Deraining

• arxiv url: http://arxiv.org/abs/2407.11750v1
• Date: Tue, 16 Jul 2024 14:16:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 14:42:40.503441
• Title: Cycle Contrastive Adversarial Learning for Unsupervised image Deraining
• Title（参考訳）: 教師なし画像レイニングのためのサイクルコントラスト逆学習
• Authors: Chen Zhao, Weiling Cai, ChengWei Hu, Zheng Yuan,
• Abstract要約: CCLGANと呼ばれる非教師付きSIDのための新しいサイクルコントラスト生成対向ネットワークを提案する。 このフレームワークは、サイクルコントラスト学習(CCL)と位置コントラスト学習(LCL)を組み合わせたものである。 CCLGANは、CCLGANの利点とその有効性を示す広範な実験として、優れた性能を示す。
• 参考スコア（独自算出の注目度）: 7.932659600218345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To tackle the difficulties in fitting paired real-world data for single image deraining (SID), recent unsupervised methods have achieved notable success. However, these methods often struggle to generate high-quality, rain-free images due to a lack of attention to semantic representation and image content, resulting in ineffective separation of content from the rain layer. In this paper, we propose a novel cycle contrastive generative adversarial network for unsupervised SID, called CCLGAN. This framework combines cycle contrastive learning (CCL) and location contrastive learning (LCL). CCL improves image reconstruction and rain-layer removal by bringing similar features closer and pushing dissimilar features apart in both semantic and discriminative spaces. At the same time, LCL preserves content information by constraining mutual information at the same location across different exemplars. CCLGAN shows superior performance, as extensive experiments demonstrate the benefits of CCLGAN and the effectiveness of its components.
• Abstract（参考訳）: SID(Single Image deraining)にペアリングした実世界のデータを適合させることの難しさに対処するため、近年の教師なし手法は顕著な成功を収めている。 しかし、これらの手法は、意味表現や画像の内容に注意が払われていないため、高品質で無雨な画像を生成するのに苦労することが多く、雨層からコンテンツが効果的に分離されてしまう。 本稿では、CCLGANと呼ばれる、教師なしSIDのための新しいサイクルコントラスト生成対向ネットワークを提案する。 このフレームワークは、サイクルコントラスト学習(CCL)と位置コントラスト学習(LCL)を組み合わせたものである。 CCLは、類似した特徴を近接させ、意味空間と識別空間の両方で異種特徴を分離することで、画像再構成と雨層除去を改善している。 同時に、LCLは、異なる例にまたがる同一の場所で相互情報を拘束することにより、コンテンツ情報を保存する。 CCLGANは、CCLGANの利点とその有効性を示す広範な実験として、優れた性能を示す。

関連論文リスト

• Supervised Adversarial Contrastive Learning for Emotion Recognition in Conversations [24.542445315345464]
  本稿では,クラススプレッドの構造化表現を教師付きで学習するためのフレームワークを提案する。 ラベルレベルの機能の一貫性を効果的に活用し、クラス内でのきめ細かい機能を維持することができる。 CATを用いたフレームワークでは,ラベル一貫性とコンテキストローバスト特性を学習するためのシーケンスベースSACL-LSTMを開発した。
  論文  参考訳（メタデータ） (2023-06-02T12:52:38Z)
• Contrastive Learning Based Recursive Dynamic Multi-Scale Network for Image Deraining [47.764883957379745]
  雨のストリークは撮影画像の可視性を著しく低下させる。 既存のディープラーニングベースの画像デライニング手法では、手作業で構築されたネットワークを使用して、雨の降った画像から明確な画像への直接投影を学習する。 本稿では,雨天画像と澄んだ画像との相関関係を考察した,対照的な学習に基づく画像デライニング手法を提案する。
  論文  参考訳（メタデータ） (2023-05-29T13:51:41Z)
• Restoring Vision in Hazy Weather with Hierarchical Contrastive Learning [53.85892601302974]
  階層的コントラストデハージング(HCD)という,効果的な画像デハージング手法を提案する。 HCDは階層的脱ハージングネットワーク(HDN)と新しい階層的コントラスト損失(HCL)から構成される
  論文  参考訳（メタデータ） (2022-12-22T03:57:06Z)
• Non-Contrastive Learning Meets Language-Image Pre-Training [145.6671909437841]
  非コントラスト型言語画像事前学習(nCLIP)の有効性について検討する。 我々は、CLIPとnCLIPを組み合わせたマルチタスクフレームワークであるxCLIPを紹介し、nCLIPが機能セマンティクスの強化にCLIPを支援することを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:57:46Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• Semantically Contrastive Learning for Low-light Image Enhancement [48.71522073014808]
  低照度画像強調(LLE)は、単一のRGB画像の低コントラストと低可視性の問題が好ましくないため、依然として困難である。 LLE(SCL-LLE)のための効果的な意味論的コントラスト学習パラダイムを提案する。 提案手法は6つの独立したクロスシーンデータセット上で,最先端のLLEモデルを上回る。
  論文  参考訳（メタデータ） (2021-12-13T07:08:33Z)
• Unpaired Adversarial Learning for Single Image Deraining with Rain-Space Contrastive Constraints [61.40893559933964]
  我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。 提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
  論文  参考訳（メタデータ） (2021-09-07T10:00:45Z)

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。