論文の概要: Raindrop Clarity: A Dual-Focused Dataset for Day and Night Raindrop Removal
- arxiv url: http://arxiv.org/abs/2407.16957v1
- Date: Wed, 24 Jul 2024 02:48:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-25 15:02:58.552417
- Title: Raindrop Clarity: A Dual-Focused Dataset for Day and Night Raindrop Removal
- Title（参考訳）: 雨滴の明瞭さ:昼と夜の雨滴除去のための二重焦点データセット
- Authors: Yeying Jin, Xin Li, Jiadong Wang, Yan Zhang, Malu Zhang,
- Abstract要約: 雨滴明瞭度は、雨滴と対応する鮮明な背景画像の高品質なペア/トリップ15,186枚からなる。
昼間降雨量は5,442枚、夜間降雨量は9,744枚である。
我々のデータセットにより、コミュニティは背景に焦点をあて、雨滴に焦点を絞ったイメージを探索できる。
- 参考スコア（独自算出の注目度）: 16.50219011463268
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing raindrop removal datasets have two shortcomings. First, they consist of images captured by cameras with a focus on the background, leading to the presence of blurry raindrops. To our knowledge, none of these datasets include images where the focus is specifically on raindrops, which results in a blurry background. Second, these datasets predominantly consist of daytime images, thereby lacking nighttime raindrop scenarios. Consequently, algorithms trained on these datasets may struggle to perform effectively in raindrop-focused or nighttime scenarios. The absence of datasets specifically designed for raindrop-focused and nighttime raindrops constrains research in this area. In this paper, we introduce a large-scale, real-world raindrop removal dataset called Raindrop Clarity. Raindrop Clarity comprises 15,186 high-quality pairs/triplets (raindrops, blur, and background) of images with raindrops and the corresponding clear background images. There are 5,442 daytime raindrop images and 9,744 nighttime raindrop images. Specifically, the 5,442 daytime images include 3,606 raindrop- and 1,836 background-focused images. While the 9,744 nighttime images contain 4,838 raindrop- and 4,906 background-focused images. Our dataset will enable the community to explore background-focused and raindrop-focused images, including challenges unique to daytime and nighttime conditions. Our data and code are available at: \url{https://github.com/jinyeying/RaindropClarity}
- Abstract（参考訳）: 既存の雨滴除去データセットには2つの欠点がある。
まず、背景に焦点をあてたカメラが撮影した画像から、ぼやけた雨滴の存在に繋がる。
私たちの知る限り、これらのデータセットには、雨滴に特に焦点が当てられているイメージが含まれていません。
第2に、これらのデータセットは主に昼間の画像で構成されており、夜間降雨のシナリオが欠如している。
その結果、これらのデータセットでトレーニングされたアルゴリズムは、雨滴や夜間のシナリオで効果的に実行するのに苦労する可能性がある。
雨滴と夜間雨滴に特化して設計されたデータセットの欠如は、この地域の研究を制約している。
本稿では,降雨明瞭度という,大規模で現実的な降雨除去データセットを提案する。
雨滴明瞭度は、雨滴と対応する鮮明な背景画像を含む画像の高品質なペア/トリップレット(雨滴、ぼかし、背景)15,186枚からなる。
昼間降雨量は5,442枚、夜間降雨量は9,744枚である。
具体的には、日中の5,442枚の画像は、雨滴3,606枚と背景に焦点を当てた1,836枚を含む。
9,744枚の夜景画像には4,838枚の雨滴と4,906枚の背景画像が含まれている。
私たちのデータセットは、日中や夜間に特有の課題を含む、背景に焦点を当てた、雨滴に焦点を当てたイメージをコミュニティが探索することを可能にする。
我々のデータとコードは以下の通りである。
関連論文リスト
- NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。
雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。
雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
論文 参考訳（メタデータ） (2024-02-28T09:02:33Z) - Why current rain denoising models fail on CycleGAN created rain images
in autonomous driving [1.4831974871130875]
GAN(Generative Adversarial Network)を用いた一組のクリアウェザー条件画像に雨を人工的に付加する
この人工的な雨画像の生成は、10件中7件で、人間の被験者は生成された雨画像が本物だと信じていた。
第2のステップでは、このペア付きグッド/バッド気象画像データを使用して、主にCNN(Convolutional Neural Network)とVision Transformer(Vision Transformer)をベースとした2つの降雨モデルをトレーニングする。
論文 参考訳（メタデータ） (2023-05-22T12:42:32Z) - Joint Depth Estimation and Mixture of Rain Removal From a Single Image [24.009353523566162]
そこで我々は,DeMore-Netと呼ばれる降雨の混合に対する効果的な画像デクリニングパラダイムを提案する。
本研究では,画像のデアライジング作業における正規化手法について検討し,DeMore-Netのデアライジング性能を向上させるためにHNB(Hybrid Normalization Block)を導入する。
論文 参考訳（メタデータ） (2023-03-31T02:05:45Z) - GTAV-NightRain: Photometric Realistic Large-scale Dataset for Night-time
Rain Streak Removal [30.93624632770902]
雨は透明で、シーンの光を反射し、カメラに反射する。
既存の雨害除去データセットでは, 密度, スケール, 方向, 強度が考慮されているが, 透明性は十分に考慮されていない。
本稿では,大規模な夜間降雨ストリーク除去データセットであるGTAV-NightRainデータセットを提案する。
論文 参考訳（メタデータ） (2022-10-10T14:08:09Z) - 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) - 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) - Feature-Aligned Video Raindrop Removal with Temporal Constraints [68.49161092870224]
雨滴除去は、単一画像とビデオの両方において困難である。
熱帯雨林とは異なり、雨滴は複数のフレームで同じ地域を覆う傾向にある。
本手法では,2段階の降雨量除去手法を用いる。
論文 参考訳（メタデータ） (2022-05-29T05:42:14Z) - Memory-guided Image De-raining Using Time-Lapse Data [83.12497916664904]
降雨物に隠れた1枚の画像から、きれいで無雨な背景のシーンを復元する作業である、単一画像デライニングの課題に対処する。
本稿では,長期雨天情報をタイムラプスデータに記録する上で,メモリネットワークに基づく新しいネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-01-06T01:36:59Z) - Dual Attention-in-Attention Model for Joint Rain Streak and Raindrop
Removal [103.4067418083549]
降雨量と降雨量の両方を同時に除去する2つのDAMを含むDual Attention-in-Attention Model (DAiAM)を提案する。
提案手法は,降雨量と降雨量とを同時に除去できるだけでなく,両タスクの最先端性能も達成できる。
論文 参考訳（メタデータ） (2021-03-12T03:00:33Z) - MBA-RainGAN: Multi-branch Attention Generative Adversarial Network for
Mixture of Rain Removal from Single Images [24.60495609529114]
豪雨の日、ガラスを通して画像が撮影されるとき、雨はシーンオブジェクトの視界をひどく損なう。
1) 雨は雨滴, 雨煙, 雨雲の混合であり, 2) カメラからの深さが物体の視界の度合いを決定する, 3) ガラス上の雨滴は画像空間全体の視界にランダムに影響を及ぼす, 興味深い3つの現象を観察する。
論文 参考訳（メタデータ） (2020-05-21T11:44:21Z) - 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。