論文の概要: Power Line Aerial Image Restoration under dverse Weather: Datasets and Baselines
- arxiv url: http://arxiv.org/abs/2409.04812v1
- Date: Sat, 7 Sep 2024 12:53:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-10 20:41:31.830884
- Title: Power Line Aerial Image Restoration under dverse Weather: Datasets and Baselines
- Title（参考訳）: 逆気象下における電力線空中画像復元:データセットとベースライン
- Authors: Sai Yang, Bin Hu, Bojun Zhou, Fan Liu, Xiaoxin Wu, Xinsong Zhang, Juping Gu, Jun Zhou,
- Abstract要約: 電力線自律検査(PLAI)はスマートグリッドの構築において重要な役割を果たす。
PLAIはUAVが捉えた空中画像の電気成分と欠陥を正確に検出して完成する。
航空画像の可視的品質は、ヘイズ、雨、雪などの悪天候によって必然的に劣化し、我々の研究で検出精度を劇的に低下させることが判明した。
本稿では,悪天候の劣化画像から清潔で高品質な画像の復元を目的とした,逆気象下での電力線動画像復元(PLAIR-AW)の課題を提案する。
- 参考スコア（独自算出の注目度）: 17.3009572002435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Power Line Autonomous Inspection (PLAI) plays a crucial role in the construction of smart grids due to its great advantages of low cost, high efficiency, and safe operation. PLAI is completed by accurately detecting the electrical components and defects in the aerial images captured by Unmanned Aerial Vehicles (UAVs). However, the visible quality of aerial images is inevitably degraded by adverse weather like haze, rain, or snow, which are found to drastically decrease the detection accuracy in our research. To circumvent this problem, we propose a new task of Power Line Aerial Image Restoration under Adverse Weather (PLAIR-AW), which aims to recover clean and high-quality images from degraded images with bad weather thus improving detection performance for PLAI. In this context, we are the first to release numerous corresponding datasets, namely, HazeCPLID, HazeTTPLA, HazeInsPLAD for power line aerial image dehazing, RainCPLID, RainTTPLA, RainInsPLAD for power line aerial image deraining, SnowCPLID, SnowInsPLAD for power line aerial image desnowing, which are synthesized upon the public power line aerial image datasets of CPLID, TTPLA, InsPLAD following the mathematical models. Meanwhile, we select numerous state-of-the-art methods from image restoration community as the baseline methods for PLAIR-AW. At last, we conduct large-scale empirical experiments to evaluate the performance of baseline methods on the proposed datasets. The proposed datasets and trained models are available at https://github.com/ntuhubin/PLAIR-AW.
- Abstract（参考訳）: 電力線自律検査(PLAI)は、低コスト、高効率、安全運転の大きな利点のために、スマートグリッドの構築において重要な役割を担っている。
PLAIは無人航空機(UAV)が捉えた空中画像の電気成分と欠陥を正確に検出することで完成する。
しかし, 風や雨, 雪などの悪天候により, 航空画像の視認性は必然的に劣化し, 検出精度が大幅に低下することが判明した。
そこで本稿では,悪天候の劣化画像からクリーンで高品質な画像を回収し,PLAIの検出性能を向上させることを目的とした,電力線航空画像復元(PLAIR-AW)の新たな課題を提案する。
本研究では, 電力線空中画像デハジング用HazeCPLID, HazeTTPLA, HazeInsPLAD, RainCPLID, RainTTPLA, RainInsPLAD, 電力線空中画像デハジング用RainInsPLAD, SnowCPLID, SnowInsPLAD, 電力線空中画像デハジング用SnowInsPLAD, CPLID, TTPLA, InsPLADの一般電源線空中画像データセットを数学的モデルに従って合成した。
一方,PLAIR-AWのベースライン手法として,画像修復コミュニティから最先端の手法を多数選択した。
最後に,提案したデータセット上でのベースライン手法の性能を評価するため,大規模実験を行った。
提案されたデータセットとトレーニングされたモデルは、https://github.com/ntuhubin/PLAIR-AWで公開されている。
関連論文リスト
- Real-Time Multi-Scene Visibility Enhancement for Promoting Navigational Safety of Vessels Under Complex Weather Conditions [48.529493393948435]
この可視光カメラは、インテリジェントな水上輸送システムにおいて、海洋表面の容器に不可欠なイメージングセンサーとして登場した。
視覚画像の画質は、複雑な気象条件下での様々な劣化に必然的に悩まされる。
本研究では,異なる気象条件下で撮影された劣化画像を復元する汎用多場面可視性向上手法を開発した。
論文 参考訳（メタデータ） (2024-09-02T23:46:27Z) - Vision-Language Modeling with Regularized Spatial Transformer Networks for All Weather Crosswind Landing of Aircraft [0.3749861135832073]
気象によって引き起こされる視覚劣化をクリアするために訓練された視覚ベースのシステムは、様々な気候条件下で堅牢な着陸データセットを必要とする。
本稿では,迅速な気候拡散ネットワークを訓練し,厳しい気象画像の合成を提案する。
また、新しい拡散蒸留損失を用いた気象蒸留モデルの最適化を行い、これらの視覚的劣化を解明する。
論文 参考訳（メタデータ） (2024-05-09T06:48:42Z) - UAV-Rain1k: A Benchmark for Raindrop Removal from UAV Aerial Imagery [18.97379943624394]
UAVのレンズに付着した雨滴は、背景の視認性を阻害し、画質を低下させる。
まず,UAV画像から雨滴を除去するUAV-Rain1kという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） (2024-02-08T16:00:25Z) - Thermal Image Calibration and Correction using Unpaired Cycle-Consistent
Adversarial Networks [5.343932820859596]
無人航空機(UAV)は、山火事の監視に柔軟で費用対効果の高いソリューションを提供する。
空中画像を用いた山火事の検出・評価のためのディープラーニングモデルの開発の進展は、既存のデータセットの可用性、サイズ、品質に制限されている。
本稿では,現在の山火事データセットの品質向上をめざして,カメラ技術の進歩に対応するソリューションを提案する。
論文 参考訳（メタデータ） (2024-01-21T20:10:02Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - 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) - 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) - Zero-Reference Image Restoration for Under-Display Camera of UAV [10.498049147922258]
画像のテクスチャと色を向上することで視覚体験を向上させる新しい手法を提案する。
本手法は,入力画像上の低ランクアフィングリッドを推定するために,軽量ネットワークを訓練する。
我々のモデルは任意の解像度の画像の高品質な復元をリアルタイムで行うことができる。
論文 参考訳（メタデータ） (2022-02-13T11:12:00Z) - 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) - Removing Diffraction Image Artifacts in Under-Display Camera via Dynamic
Skip Connection Network [80.67717076541956]
アンダーディスプレイカメラ(UDC)システムは、スマートフォン上で真のベゼルレスおよびノッチフリーの視聴体験を提供します。
典型的なUDCシステムでは、ピクセルアレイはカメラ上の入射光を減衰および回折し、画像品質の大幅な低下をもたらす。
本研究では,前述の劣化問題の解析と対処を目的とする。
論文 参考訳（メタデータ） (2021-04-19T18:41:45Z)
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。