Fugu-MT 論文翻訳(概要): Interaction-Guided Two-Branch Image Dehazing Network

論文の概要: Interaction-Guided Two-Branch Image Dehazing Network

arxiv url: http://arxiv.org/abs/2410.10121v1
Date: Mon, 14 Oct 2024 03:21:56 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 02:54:14.515419
Title: Interaction-Guided Two-Branch Image Dehazing Network
Title（参考訳）: 対話型2分岐画像デハージングネットワーク
Authors: Huichun Liu, Xiaosong Li, Tianshu Tan,
Abstract要約: Image Dehazingは、汚れた画像からクリーンなイメージを復元することを目的としている。 CNNとTransformerは、局所的およびグローバルな特徴抽出において例外的な性能を示した。本稿では,CNNとTransformerコンポーネントをインタラクティブにガイドする,新しいデュアルブランチ画像デハージングフレームワークを提案する。
参考スコア（独自算出の注目度）: 1.26404863283601
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Image dehazing aims to restore clean images from hazy ones. Convolutional Neural Networks (CNNs) and Transformers have demonstrated exceptional performance in local and global feature extraction, respectively, and currently represent the two mainstream frameworks in image dehazing. In this paper, we propose a novel dual-branch image dehazing framework that guides CNN and Transformer components interactively. We reconsider the complementary characteristics of CNNs and Transformers by leveraging the differential relationships between global and local features for interactive guidance. This approach enables the capture of local feature positions through global attention maps, allowing the CNN to focus solely on feature information at effective positions. The single-branch Transformer design ensures the network's global information recovery capability. Extensive experiments demonstrate that our proposed method yields competitive qualitative and quantitative evaluation performance on both synthetic and real public datasets. Codes are available at https://github.com/Feecuin/Two-Branch-Dehazing
Abstract（参考訳）: Image Dehazingは、汚れた画像からクリーンなイメージを復元することを目的としている。畳み込みニューラルネットワーク(CNN)とトランスフォーマー(Transformers)はそれぞれ、局所的およびグローバルな特徴抽出において例外的なパフォーマンスを示しており、現在はイメージデハジングにおける2つの主流フレームワークを表している。本稿では,CNNとTransformerコンポーネントをインタラクティブにガイドする2分岐画像デハージングフレームワークを提案する。我々は,CNNとトランスフォーマーの相補的特性について,グローバルな特徴とローカルな特徴の差分関係を利用した対話的ガイダンスを用いて再検討する。このアプローチにより、グローバルアテンションマップによる局所的特徴位置のキャプチャが可能となり、CNNは効果的な位置における特徴情報のみに焦点を絞ることができる。シングルブランチ変換器の設計により、ネットワークのグローバルな情報回復能力が保証される。大規模な実験により,提案手法は, 合成データセットと実データの両方において, 競合的な質的, 定量的な評価性能が得られることを示した。コードはhttps://github.com/Feecuin/Two-Branch-Dehazingで公開されている。

関連論文リスト

A Two-stream Hybrid CNN-Transformer Network for Skeleton-based Human Interaction Recognition [6.490564374810672]
2ストリームハイブリッドCNN-Transformer Network(THCT-Net)を提案する。 CNNの局所的な特異性を活用し、Transformerを通じてグローバルな依存関係をモデル化する。提案手法は, 様々な行動の意味と文脈をよりよく理解し, 推測し, 最先端の手法より優れていることを示す。
論文参考訳（メタデータ） (2023-12-31T06:46:46Z)
Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution [64.25751738088015]
トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
論文参考訳（メタデータ） (2022-07-06T16:32:29Z)
Transformer-Guided Convolutional Neural Network for Cross-View Geolocalization [20.435023745201878]
本稿ではトランスフォーマー誘導型畳み込みニューラルネットワーク(TransGCNN)アーキテクチャを提案する。我々のTransGCNNは、入力画像からCNNのバックボーン抽出特徴マップと、グローバルコンテキストをモデル化するTransformerヘッドで構成される。 CVUSAとCVACT_valでそれぞれ94.12%,84.92%の精度を達成した。
論文参考訳（メタデータ） (2022-04-21T08:46:41Z)
Vision Transformer with Convolutions Architecture Search [72.70461709267497]
本稿では,畳み込み型アーキテクチャサーチ(VTCAS)を用いたアーキテクチャ探索手法を提案する。 VTCASによって探索された高性能バックボーンネットワークは、畳み込みニューラルネットワークの望ましい特徴をトランスフォーマーアーキテクチャに導入する。これは、特に低照度屋内シーンにおいて、物体認識のためのニューラルネットワークの堅牢性を高める。
論文参考訳（メタデータ） (2022-03-20T02:59:51Z)
Swin Transformer coupling CNNs Makes Strong Contextual Encoders for VHR Image Road Extraction [11.308473487002782]
本稿では,ResNetとSwinTransformerを組み合わせた2分岐ネットワークブロックConSwinを提案する。提案手法は,マサチューセッツおよびCHN6-CUGデータセットの精度,IOU,F1インジケータにおいて,最先端の手法よりも優れている。
論文参考訳（メタデータ） (2022-01-10T06:05:12Z)
CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
論文参考訳（メタデータ） (2021-12-31T04:37:11Z)
Efficient Hybrid Transformer: Learning Global-local Context for Urban Sence Segmentation [11.237929167356725]
都市景観画像のセマンティックセグメンテーションのための効率的なハイブリッドトランスフォーマ(EHT)を提案する。 EHTはCNNとTransformerを利用して、グローバルなローカルコンテキストを学び、特徴表現を強化する。提案されたEHTはUAVidテストセットで67.0% mIoUを達成し、他の軽量モデルよりも大幅に優れている。
論文参考訳（メタデータ） (2021-09-18T13:55:38Z)
Boosting Salient Object Detection with Transformer-based Asymmetric Bilateral U-Net [19.21709807149165]
既存のSOD法は主にスキップ接続を持つU字型畳み込みニューラルネットワーク(CNN)に依存している。 SODのグローバル表現とローカル表現の両方を学ぶためのトランスフォーマーベースの非対称バイラテラルU-Net(ABiU-Net)を提案する。 ABiU-Netは、従来の最先端SOD法に対して好意的に機能する。
論文参考訳（メタデータ） (2021-08-17T19:45:28Z)
Conformer: Local Features Coupling Global Representations for Visual Recognition [72.9550481476101]
本稿では,畳み込み操作と自己アテンション機構を利用した表現学習のためのハイブリッドネットワーク構造,conformerを提案する。実験では、コンフォーマーが同等のパラメータ複雑性の下で視覚変換器(DeiT-B)を2.3%上回ることが示されている。
論文参考訳（メタデータ） (2021-05-09T10:00:03Z)
Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2020-05-15T23:57:36Z)
A U-Net Based Discriminator for Generative Adversarial Networks [86.67102929147592]
GAN(Generative Adversarial Network)のための代替U-Netベースの識別器アーキテクチャを提案する。提案アーキテクチャにより,合成画像のグローバルコヒーレンスを維持しつつ,画素単位の詳細なフィードバックを生成元に提供することができる。斬新な判別器は、標準分布と画像品質の指標の観点から、最先端の技術を向上する。
論文参考訳（メタデータ） (2020-02-28T11:16:54Z)

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。