論文の概要: Gradient-Guided Parameter Mask for Multi-Scenario Image Restoration Under Adverse Weather
- arxiv url: http://arxiv.org/abs/2411.16739v1
- Date: Sat, 23 Nov 2024 16:16:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-27 13:36:28.948761
- Title: Gradient-Guided Parameter Mask for Multi-Scenario Image Restoration Under Adverse Weather
- Title（参考訳）: 逆気象下におけるマルチシナリオ画像復元のための勾配誘導パラメータマスク
- Authors: Jilong Guo, Haobo Yang, Mo Zhou, Xinyu Zhang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 16.956703689174198
- License:
- Abstract: Removing adverse weather conditions such as rain, raindrop, and snow from images is critical for various real-world applications, including autonomous driving, surveillance, and remote sensing. However, existing multi-task approaches typically rely on augmenting the model with additional parameters to handle multiple scenarios. While this enables the model to address diverse tasks, the introduction of extra parameters significantly complicates its practical deployment. In this paper, we propose a novel Gradient-Guided Parameter Mask for Multi-Scenario Image Restoration under adverse weather, designed to effectively handle image degradation under diverse weather conditions without additional parameters. Our method segments model parameters into common and specific components by evaluating the gradient variation intensity during training for each specific weather condition. This enables the model to precisely and adaptively learn relevant features for each weather scenario, improving both efficiency and effectiveness without compromising on performance. This method constructs specific masks based on gradient fluctuations to isolate parameters influenced by other tasks, ensuring that the model achieves strong performance across all scenarios without adding extra parameters. We demonstrate the state-of-the-art performance of our framework through extensive experiments on multiple benchmark datasets. Specifically, our method achieves PSNR scores of 29.22 on the Raindrop dataset, 30.76 on the Rain dataset, and 29.56 on the Snow100K dataset. Code is available at: \href{https://github.com/AierLab/MultiTask}{https://github.com/AierLab/MultiTask}.
- Abstract（参考訳）: 降雨、雨滴、雪などの悪天候を画像から取り除くことは、自律運転、監視、リモートセンシングなど、様々な現実の用途に欠かせない。
しかし、既存のマルチタスクアプローチは、通常、複数のシナリオを扱うために追加のパラメータでモデルを拡張することに依存します。
これにより、モデルは多様なタスクに対処できるが、余分なパラメータの導入は、その実践的なデプロイメントを著しく複雑にする。
本稿では,多様な気象条件下での画像劣化を,パラメータを加味せずに効果的に処理する多シナリオ画像復元用グラディエントガイドパラメータマスクを提案する。
本手法は,各気象条件のトレーニング中の勾配変動強度を評価することにより,モデルパラメータを共通成分と特定成分に分割する。
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。
この方法は、勾配変動に基づく特定のマスクを構築し、他のタスクに影響されたパラメータを分離し、余分なパラメータを追加することなく、モデルが全てのシナリオで強力なパフォーマンスを達成することを保証する。
複数のベンチマークデータセットに対する広範な実験を通じて、我々のフレームワークの最先端性能を実証する。
具体的には、Raindropデータセットで29.22、Rainデータセットで30.76、Snow100Kデータセットで29.56のPSNRスコアを得る。
コードは以下の通り。 \href{https://github.com/AierLab/MultiTask}{https://github.com/AierLab/MultiTask}。
関連論文リスト
- 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) - 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) - Dynamic Adapter Meets Prompt Tuning: Parameter-Efficient Transfer Learning for Point Cloud Analysis [51.14136878142034]
ポイントクラウド分析は、事前訓練されたモデルのポイントクラウドの転送によって、優れたパフォーマンスを実現している。
モデル適応のための既存の方法は通常、高い計算コストに依存するため、非効率な全てのモデルパラメータを更新する。
本稿では,タスク性能とパラメータ効率のトレードオフを考慮した,ポイントクラウド解析のためのパラメータ効率変換学習を提案する。
論文 参考訳（メタデータ） (2024-03-03T08:25:04Z) - 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) - Sit Back and Relax: Learning to Drive Incrementally in All Weather
Conditions [16.014293219912]
自律走行シナリオでは、現在の物体検出モデルは、晴れた天候でテストした場合に強い性能を示す。
天気予報ネットワークのアフィンパラメータのみを異なる気象条件に適応させるために, DILAM(Domain-Incremental Learning through Activation Matching)を提案する。
私たちのメモリバンクは非常に軽量で、アフィンパラメータは典型的な物体検出器の2%以下である。
論文 参考訳（メタデータ） (2023-05-30T11:37:41Z) - 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) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳（メタデータ） (2020-08-08T18:56:51Z) - Conditional Variational Image Deraining [158.76814157115223]
キャラクタリゼーション性能向上のための条件変分画像レイニング(CVID)ネットワーク
本研究では,各画像の降雨密度マップを推定するための空間密度推定(SDE)モジュールを提案する。
合成および実世界のデータセットを用いた実験により,提案したCVIDネットワークは,画像のデライニングにおける従来の決定論的手法よりもはるかに優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2020-04-23T11:51:38Z) - Multi-Scale Progressive Fusion Network for Single Image Deraining [84.0466298828417]
空気中の雨のストリークは、位置からカメラまでの距離が異なるため、様々なぼやけた度合いや解像度で現れる。
同様の降雨パターンは、雨像やマルチスケール(またはマルチレゾリューション)バージョンで見ることができる。
本研究では,入力画像のスケールと階層的な深部特徴の観点から,雨天のマルチスケール協調表現について検討する。
論文 参考訳（メタデータ） (2020-03-24T17:22:37Z)
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。