論文の概要: Multi-Weather Image Restoration via Histogram-Based Transformer Feature Enhancement

• arxiv url: http://arxiv.org/abs/2409.06334v1
• Date: Tue, 10 Sep 2024 08:47:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-11 18:30:15.422134
• Title: Multi-Weather Image Restoration via Histogram-Based Transformer Feature Enhancement
• Title（参考訳）: ヒストグラムに基づく変圧器特徴強調によるマルチウェザー画像復元
• Authors: Yang Wen, Anyu Lai, Bo Qian, Hao Wang, Wuzhen Shi, Wenming Cao,
• Abstract要約: 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。
• 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: Currently, the mainstream restoration tasks under adverse weather conditions have predominantly focused on single-weather scenarios. However, in reality, multiple weather conditions always coexist and their degree of mixing is usually unknown. Under such complex and diverse weather conditions, single-weather restoration models struggle to meet practical demands. This is particularly critical in fields such as autonomous driving, where there is an urgent need for a model capable of effectively handling mixed weather conditions and enhancing image quality in an automated manner. In this paper, we propose a Task Sequence Generator module that, in conjunction with the Task Intra-patch Block, effectively extracts task-specific features embedded in degraded images. The Task Intra-patch Block introduces an external learnable sequence that aids the network in capturing task-specific information. Additionally, we employ a histogram-based transformer module as the backbone of our network, enabling the capture of both global and local dynamic range features. Our proposed model achieves state-of-the-art performance on public datasets.
• Abstract（参考訳）: 現在、悪天候下でのメインストリームの復旧作業は、主に単一天候シナリオに重点を置いている。 しかし実際には、複数の気象条件は常に共存しており、その混合度は通常不明である。 このような複雑で多様な気象条件下では、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。 これは特に自律運転のような分野において重要であり、混合気象条件を効果的に処理し、画像品質を自動的に向上できるモデルが緊急に必要である。 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。 Task In-patch Blockは、タスク固有の情報をキャプチャするネットワークを支援する外部学習可能なシーケンスを導入している。 さらに,ネットワークのバックボーンとしてヒストグラムベースのトランスフォーマーモジュールを用い,グローバルおよびローカルなダイナミックレンジ特徴のキャプチャを可能にした。 提案モデルは,公開データセット上での最先端性能を実現する。

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)
• Gradient-Guided Parameter Mask for Multi-Scenario Image Restoration Under Adverse Weather [16.956703689174198]
  悪天候下でのマルチシナリオ画像復元のためのグラディエントガイド付きシナリオマスクを提案する。 本手法は, モデルパラメータを, 勾配変動強度の評価により, 共通成分と特異成分に分割する。 これにより、モデルがそれぞれの気象シナリオに関連する機能を正確かつ適応的に学習し、性能を損なうことなく効率と効率の両方を改善することができる。
  論文  参考訳（メタデータ） (2024-11-23T16:16:27Z)
• OminiControl: Minimal and Universal Control for Diffusion Transformer [68.3243031301164]
  OminiControlは、イメージ条件をトレーニング済みのDiffusion Transformer(DiT)モデルに統合するフレームワークである。 コアとなるOminiControlはパラメータ再利用機構を活用しており、強力なバックボーンとしてイメージ条件をエンコードすることができる。 OminiControlは、主観駆動生成や空間的に整合した条件を含む、幅広いイメージコンディショニングタスクを統一的に処理する。
  論文  参考訳（メタデータ） (2024-11-22T17:55:15Z)
• 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)
• Multiple weather images restoration using the task transformer and adaptive mixup strategy [14.986500375481546]
  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。
  論文  参考訳（メタデータ） (2024-09-05T04:55:40Z)
• 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)
• Exposure Bracketing Is All You Need For A High-Quality Image [50.822601495422916]
  マルチ露光画像は、デノイング、デブロアリング、高ダイナミックレンジイメージング、超解像において相補的である。 本研究では,これらの課題を組み合わせ,高品質な画像を得るために露光ブラケット写真を活用することを提案する。 特に時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
  論文  参考訳（メタデータ） (2024-01-01T14:14:35Z)
• 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)
• An Efficient Domain-Incremental Learning Approach to Drive in All Weather Conditions [8.436505917796174]
  ディープニューラルネットワークは、自律運転のための印象的な視覚知覚性能を実現する。 彼らは、異なる気象条件に適応する際に、以前に学んだ情報を忘れがちである。 DISC -- 統計的補正によるドメインインクリメンタル - 新しいタスクを漸進的に学習できるシンプルなゼロフォゲッティングアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-19T11:39:20Z)
• Fast Image-Anomaly Mitigation for Autonomous Mobile Robots [27.049498074025088]
  雨やほこりのようなカメラの異常は、画像の品質と関連するタスクを著しく低下させる可能性がある。 本研究では,これらのアーティファクトをリアルタイムに効果的に緩和する前処理ステップを実装することで,この問題に対処する。
  論文  参考訳（メタデータ） (2021-09-04T15:39:42Z)
• Multi-Agent Routing Value Iteration Network [88.38796921838203]
  疎結合グラフの学習値に基づいてマルチエージェントルーティングを行うことができるグラフニューラルネットワークに基づくモデルを提案する。 最大25ノードのグラフ上で2つのエージェントでトレーニングしたモデルでは,より多くのエージェントやノードを持つ状況に容易に一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-07-09T22:16:45Z)

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。