Fugu-MT 論文翻訳(概要): Multiple weather images restoration using the task transformer and adaptive mixup strategy

論文の概要: Multiple weather images restoration using the task transformer and adaptive mixup strategy

arxiv url: http://arxiv.org/abs/2409.03249v1
Date: Thu, 5 Sep 2024 04:55:40 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 21:40:47.946973
Title: Multiple weather images restoration using the task transformer and adaptive mixup strategy
Title（参考訳）: タスクトランスと適応混合戦略を用いた複数の気象画像の復元
Authors: Yang Wen, Anyu Lai, Bo Qian, Hao Wang, Wuzhen Shi, Wenming Cao,
Abstract要約: 本稿では,複雑な気象条件を適応的に効果的に処理できる,マルチタスクの厳しい天候除去モデルを提案する。本モデルでは,気象タスクシークエンスジェネレータを組み込んで,気象タイプに特有な特徴に選択的に注目する自己認識機構を実現する。提案モデルでは,公開データセット上での最先端のパフォーマンスを実現している。
参考スコア（独自算出の注目度）: 14.986500375481546
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The current state-of-the-art in severe weather removal predominantly focuses on single-task applications, such as rain removal, haze removal, and snow removal. However, real-world weather conditions often consist of a mixture of several weather types, and the degree of weather mixing in autonomous driving scenarios remains unknown. In the presence of complex and diverse weather conditions, a single weather removal model often encounters challenges in producing clear images from severe weather images. Therefore, there is a need for the development of multi-task severe weather removal models that can effectively handle mixed weather conditions and improve image quality in autonomous driving scenarios. In this paper, we introduce a novel multi-task severe weather removal model that can effectively handle complex weather conditions in an adaptive manner. Our model incorporates a weather task sequence generator, enabling the self-attention mechanism to selectively focus on features specific to different weather types. To tackle the challenge of repairing large areas of weather degradation, we introduce Fast Fourier Convolution (FFC) to increase the receptive field. Additionally, we propose an adaptive upsampling technique that effectively processes both the weather task information and underlying image features by selectively retaining relevant information. Our proposed model has achieved state-of-the-art performance on the publicly available dataset.
Abstract（参考訳）: 厳しい天候の除去における現在の最先端は、雨の除去、ヘイズ除去、雪の除去といったシングルタスクの応用に主に焦点が当てられている。しかし、現実の気象条件は、しばしばいくつかの気象タイプが混在しており、自律運転シナリオにおける気象混合の程度は未だ不明である。複雑で多様な気象条件が存在する場合、単一気象除去モデルは、厳しい気象画像から鮮明な画像を生成する際の課題にしばしば遭遇する。したがって、混在した気象条件を効果的に処理し、自律運転シナリオにおける画質を向上させるマルチタスクの厳しい天候除去モデルの開発が必要である。本稿では,複雑な気象条件を適応的に効果的に処理できる,マルチタスクの厳しい天候除去モデルを提案する。本モデルでは,気象タスクシークエンスジェネレータを組み込んで,気象タイプに特有な特徴に選択的に注目する自己認識機構を実現する。気象劣化の広範囲を修復する課題を解決するため,FFC(Fast Fourier Convolution)を導入し,受容場を拡大する。さらに,気象情報と背景画像の特徴の両方を,関連情報を選択的に保持することにより効果的に処理する適応的なアップサンプリング手法を提案する。提案モデルでは,公開データセット上での最先端のパフォーマンスを実現している。

関連論文リスト

MWFormer: Multi-Weather Image Restoration Using Degradation-Aware Transformers [44.600209414790854]
悪天候下で撮影された画像の復元は、多くのコンピュータビジョンアプリケーションにとって基本的な課題である。本稿では,マルチウェザー変換器 (MWFormer) を提案する。 MWFormerは,既存の最先端手法と比較して,大幅な性能向上を実現していることを示す。
論文参考訳（メタデータ） (2024-11-26T08:47:39Z)
WeatherGFM: Learning A Weather Generalist Foundation Model via In-context Learning [69.82211470647349]
第1次一般気象基礎モデル(WeatherGFM)を紹介する。気象理解タスクの幅広い範囲を統一的な方法で解決する。我々のモデルは、天気予報、超解像、天気画像翻訳、後処理など、最大10の気象理解タスクを効果的に処理できる。
論文参考訳（メタデータ） (2024-11-08T09:14:19Z)
Multi-Weather Image Restoration via Histogram-Based Transformer Feature Enhancement [14.986500375481546]
悪天候下では、単一天候の復元モデルは現実的な要求を満たすのに苦労する。混合気象条件を効果的に処理し、画像品質を自動で向上できるモデルが必要である。本稿では、タスク内パッチブロックと連動して、劣化した画像に埋め込まれたタスク固有の特徴を効果的に抽出するタスクシーケンス生成モジュールを提案する。
論文参考訳（メタデータ） (2024-09-10T08:47:03Z)
Modeling Weather Uncertainty for Multi-weather Co-Presence Estimation [25.060597623607784]
既存のアルゴリズムでは、気象条件を個別の状態としてモデル化し、マルチラベル分類を用いて推定する。マルチウェザー条件の物理的定式化を考慮し,物理パラメータが画像の外観から学習に与える影響をモデル化する。
論文参考訳（メタデータ） (2024-03-29T10:05:29Z)
Continual All-in-One Adverse Weather Removal with Knowledge Replay on a Unified Network Structure [92.8834309803903]
現実の応用では、悪天候による画像の劣化は常に複雑で、日や季節によって異なる気象条件で変化する。我々は,ネットワーク構造を統一した上で,効果的な知識再生(KR)を実現するための新しい連続学習フレームワークを開発した。連続学習における複数の退化を伴う画像復元作業の特徴を考察し、異なる退化に関する知識を共有・蓄積することができる。
論文参考訳（メタデータ） (2024-03-12T03:50:57Z)
MetaWeather: Few-Shot Weather-Degraded Image Restoration [17.63266150036311]
メタウェザー(MetaWeather)は、多様な新しい気象条件を単一の統一モデルで処理できる普遍的なアプローチである。メタウェザーは未確認の気象条件に適応でき、最先端のマルチウェザー画像復元法よりも優れることを示す。
論文参考訳（メタデータ） (2023-08-28T06:25:40Z)
Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文参考訳（メタデータ） (2023-06-15T10:06:13Z)
Counting Crowds in Bad Weather [68.50690406143173]
本研究では,悪天候シナリオにおいて,ロバストな群集カウント手法を提案する。モデルでは,外見のバリエーションが大きいことを考慮し,効果的な特徴と適応的なクエリを学習する。実験の結果,提案アルゴリズムは,ベンチマークデータセット上で異なる気象条件下での群集のカウントに有効であることが示唆された。
論文参考訳（メタデータ） (2023-06-02T00:00:09Z)
ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
論文参考訳（メタデータ） (2023-05-03T13:24:06Z)
WM-MoE: Weather-aware Multi-scale Mixture-of-Experts for Blind Adverse Weather Removal [38.257012295118145]
Mixture-of-Experts (MoE) は、学習可能なゲートを採用して、入力を異なる専門家ネットワークにルーティングする人気モデルである。本稿では, 視覚障害者の視覚障害者のためのTransformer を用いた気象対応マルチスケールMOE (WM-MoE) を提案する。本手法は,2つのパブリックデータセットとデータセットに対して,盲点悪天候除去における最先端性能を実現する。
論文参考訳（メタデータ） (2023-03-24T01:46:25Z)
TransWeather: Transformer-based Restoration of Images Degraded by Adverse Weather Conditions [77.20136060506906]
トランスウェザー (TransWeather) は1つのエンコーダとデコーダしか持たない変圧器を用いたエンド・ツー・エンドモデルである。 TransWeatherは、All-in-Oneネットワーク上で、複数のテストデータセット間で大幅に改善されている。実世界のテスト画像で検証され、従来の方法よりも効果的であることが判明した。
論文参考訳（メタデータ） (2021-11-29T18:57:09Z)

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。