論文の概要: Deep Learning Techniques for Atmospheric Turbulence Removal: A Review

• arxiv url: http://arxiv.org/abs/2409.14587v1
• Date: Tue, 3 Sep 2024 15:53:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 21:57:16.700405
• Title: Deep Learning Techniques for Atmospheric Turbulence Removal: A Review
• Title（参考訳）: 大気乱流除去のための深層学習技術:概観
• Authors: Paul Hill, Nantheera Anantrasirichai, Alin Achim, David Bull,
• Abstract要約: 大気の乱流が取得した画像に与える影響は、画像解釈とシーン解析を極めて困難にしている。 ディープラーニングアプローチは、より高速な操作を提供し、小さなデバイス上で実装することができる。 乱流時間歪みを軽減するために、Transformers、SWIN、Mambaなど、最先端のディープニューラルネットワークの性能を比較する。
• 参考スコア（独自算出の注目度）: 7.0622384724837355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The influence of atmospheric turbulence on acquired imagery makes image interpretation and scene analysis extremely difficult and reduces the effectiveness of conventional approaches for classifying and tracking objects of interest in the scene. Restoring a scene distorted by atmospheric turbulence is also a challenging problem. The effect, which is caused by random, spatially varying perturbations, makes conventional model-based approaches difficult and, in most cases, impractical due to complexity and memory requirements. Deep learning approaches offer faster operation and are capable of implementation on small devices. This paper reviews the characteristics of atmospheric turbulence and its impact on acquired imagery. It compares the performance of various state-of-the-art deep neural networks, including Transformers, SWIN and Mamba, when used to mitigate spatio-temporal image distortions.
• Abstract（参考訳）: 得られた画像に対する大気乱流の影響は、画像の解釈とシーン解析を極めて困難にし、シーンの関心対象の分類・追跡における従来の手法の有効性を低下させる。 大気の乱流によって歪んだシーンの復元も難しい問題です。 この効果は、ランダムで空間的に異なる摂動によって引き起こされるものであり、従来のモデルに基づくアプローチを困難にし、多くの場合、複雑さと記憶の要求により実用的でない。 ディープラーニングアプローチは、より高速な操作を提供し、小さなデバイス上で実装することができる。 本稿では,大気乱流の特性と得られた画像への影響について概説する。 時空間の歪みを軽減するために、Transformers、SWIN、Mambaなど、最先端のディープニューラルネットワークの性能を比較する。

関連論文リスト

• Real-World Atmospheric Turbulence Correction via Domain Adaptation [13.043844930749964]
  大気の乱流は、主に地球表面の均一な加熱によって引き起こされる。 この現象は、取得した画像やビデオが歪んだり、ぼやけたりする。 本稿では,ドメイン適応フレームワークに基づく実世界の大気乱流緩和モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-12T02:09:08Z)
• AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using Denoising Diffusion Probabilistic Models [64.24948495708337]
  大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。 CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。 Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
  論文  参考訳（メタデータ） (2022-08-24T03:13:04Z)
• Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A New Physics-Inspired Transformer Model [82.23276183684001]
  本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。 提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。 そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
  論文  参考訳（メタデータ） (2022-07-20T17:09:16Z)
• Learning to restore images degraded by atmospheric turbulence using uncertainty [93.72048616001064]
  大気の乱流は、長距離イメージングシステムによって取得された画像の品質を著しく低下させることができる。 本研究では,大気乱流により劣化した1つの画像の復元のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-07T17:24:52Z)
• Atmospheric Turbulence Removal with Complex-Valued Convolutional Neural Network [2.657505380055164]
  大気の乱流は視覚的イメージを歪め、人間と機械の両方による情報解釈には常に問題となる。 ディープラーニングベースのアプローチが注目されているが、現在は静的シーンのみに効率よく機能している。 本稿では,動的シーンをサポートするための短時間の時間的スパンニングを提供する,新しい学習ベースフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-14T14:29:32Z)
• Thermal to Visible Image Synthesis under Atmospheric Turbulence [67.99407460140263]
  バイオメトリックスや監視では、低照度と夜間の条件下での撮像に熱画像モダリティがしばしば用いられる。 このような画像システムは、しばしば大気の乱れに悩まされ、撮像された画像に激しいぼやけや変形のアーチファクトをもたらす。 熱画像を直接可視光画像に変換するエンド・ツー・エンドの再構成法を提案する。
  論文  参考訳（メタデータ） (2022-04-06T19:47:41Z)
• LTT-GAN: Looking Through Turbulence by Inverting GANs [86.25869403782957]
  本稿では,よく訓練されたGANによってカプセル化された視覚的事前情報を利用した最初の乱流緩和手法を提案する。 視覚的先行性に基づき、周期的な文脈距離で復元された画像の同一性を維持することを学ぶことを提案する。 本手法は, 回復した結果の視覚的品質と顔認証精度の両方において, 先行技術よりも優れていた。
  論文  参考訳（メタデータ） (2021-12-04T16:42:13Z)
• Learning to Restore a Single Face Image Degraded by Atmospheric Turbulence using CNNs [93.72048616001064]
  このような条件下で撮影された画像は、幾何学的変形と空間のぼかしの組合せに悩まされる。 乱流劣化顔画像の復元問題に対する深層学習に基づく解法を提案する。
  論文  参考訳（メタデータ） (2020-07-16T15:25:08Z)

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。