論文の概要: A Prototype Unit for Image De-raining using Time-Lapse Data

• arxiv url: http://arxiv.org/abs/2412.19459v1
• Date: Fri, 27 Dec 2024 05:04:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:25:08.538061
• Title: A Prototype Unit for Image De-raining using Time-Lapse Data
• Title（参考訳）: 時系列データを用いた画像デレイニング用プロトタイプユニット
• Authors: Jaehoon Cho, Minjung Yoo, Jini Yang, Sunok Kim,
• Abstract要約: 本研究では,一雨画像から無雨背景情報を復元する作業である一雨脱落の課題に対処する。 我々は新しいソリューション、Rain Streak Prototype Unit(RsPU)を紹介する。 RsPUは、タイムラプスデータから得られたリアルタイムプロトタイプとして、レインストリーク関連機能を効率的にエンコードし、過剰なメモリリソースを不要にする。
• 参考スコア（独自算出の注目度）: 9.37072441362836
• License:
• Abstract: We address the challenge of single-image de-raining, a task that involves recovering rain-free background information from a single rain image. While recent advancements have utilized real-world time-lapse data for training, enabling the estimation of consistent backgrounds and realistic rain streaks, these methods often suffer from computational and memory consumption, limiting their applicability in real-world scenarios. In this paper, we introduce a novel solution: the Rain Streak Prototype Unit (RsPU). The RsPU efficiently encodes rain streak-relevant features as real-time prototypes derived from time-lapse data, eliminating the need for excessive memory resources. Our de-raining network combines encoder-decoder networks with the RsPU, allowing us to learn and encapsulate diverse rain streak-relevant features as concise prototypes, employing an attention-based approach. To ensure the effectiveness of our approach, we propose a feature prototype loss encompassing cohesion and divergence components. This loss function captures both the compactness and diversity aspects of the prototypical rain streak features within the RsPU. Our method evaluates various de-raining benchmarks, accompanied by comprehensive ablation studies. We show that it can achieve competitive results in various rain images compared to state-of-the-art methods.
• Abstract（参考訳）: 本研究では,一雨画像から無雨背景情報を復元する作業である一雨脱落の課題に対処する。 最近の進歩では、実世界のタイムラプスデータをトレーニングに利用し、一貫した背景と現実的な雨のストリークを推定できるが、これらの手法は計算とメモリ消費に悩まされ、現実のシナリオにおける適用性が制限される。 本稿では,新しい手法であるRain Streak Prototype Unit(RsPU)を紹介する。 RsPUは、タイムラプスデータから得られたリアルタイムプロトタイプとして、レインストリーク関連機能を効率的にエンコードし、過剰なメモリリソースを不要にする。 我々のデレイニングネットワークは、エンコーダデコーダネットワークとRsPUを組み合わせることで、注意に基づくアプローチを用いて、さまざまな雨天関連機能を簡潔なプロトタイプとして学習し、カプセル化することができる。 提案手法の有効性を確認するため,凝集成分と分散成分を含む特徴的プロトタイプ損失を提案する。 この損失関数は、RsPU内の原型雨天の特徴のコンパクト性と多様性の両方をキャプチャする。 本手法は, 総合的アブレーション研究を伴って, 種々の脱レーニングベンチマークを評価する。 本研究では, 各種降雨画像において, 最先端の手法と比較して, 競争力のある結果が得られることを示す。

関連論文リスト

• Contrastive Learning Based Recursive Dynamic Multi-Scale Network for Image Deraining [47.764883957379745]
  雨のストリークは撮影画像の可視性を著しく低下させる。 既存のディープラーニングベースの画像デライニング手法では、手作業で構築されたネットワークを使用して、雨の降った画像から明確な画像への直接投影を学習する。 本稿では,雨天画像と澄んだ画像との相関関係を考察した,対照的な学習に基づく画像デライニング手法を提案する。
  論文  参考訳（メタデータ） (2023-05-29T13:51:41Z)
• Single Image Deraining via Feature-based Deep Convolutional Neural Network [13.39233717329633]
  データ駆動型アプローチとモデルベースアプローチを組み合わせた,単一画像デラミニングアルゴリズムを提案する。 実験の結果,提案アルゴリズムは質的,定量的両面で最先端の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） (2023-05-03T13:12:51Z)
• Uncertainty-Aware Cascaded Dilation Filtering for High-Efficiency Deraining [25.669665033163497]
  レイニングは、雨の日に撮影された画像やビデオから雨の流れや蓄積を取り除くことを目的とした、重要かつ基本的なコンピュータビジョンタスクである。 既存のデラリニング法は通常、雨モデルの仮定を行い、複雑な最適化や、高い回復品質のために反復的な改善を施すことを補完する。 本研究では, 複雑な降雨モデル仮定を伴わない予測フィルタ問題として, 簡易かつ効率的なデライニング法を提案する。
  論文  参考訳（メタデータ） (2022-01-07T08:31:57Z)
• Memory-guided Image De-raining Using Time-Lapse Data [83.12497916664904]
  降雨物に隠れた1枚の画像から、きれいで無雨な背景のシーンを復元する作業である、単一画像デライニングの課題に対処する。 本稿では,長期雨天情報をタイムラプスデータに記録する上で,メモリネットワークに基づく新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-01-06T01:36:59Z)
• Structure-Preserving Deraining with Residue Channel Prior Guidance [33.41254475191555]
  多くのハイレベルコンピュータビジョンタスクにおいて、単一画像のデアライニングが重要である。 RCP誘導を用いた構造保存評価ネットワーク(SPDNet)を提案する。 SPDNetは、RCPガイダンスの下で、明瞭で正確な構造を持つ高品質な無雨画像を直接生成する。
  論文  参考訳（メタデータ） (2021-08-20T09:09:56Z)
• RCDNet: An Interpretable Rain Convolutional Dictionary Network for Single Image Deraining [49.99207211126791]
  雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。 RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。 このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
  論文  参考訳（メタデータ） (2021-07-14T16:08:11Z)
• EfficientDeRain: Learning Pixel-wise Dilation Filtering for High-Efficiency Single-Image Deraining [29.11278650245332]
  単一像のデレーニングは、未知の降雨モデルのため、かなり難しい。 本稿では,モデルのないデライン法,すなわち効率的なデレイン法を提案する。 10ms(平均約6ms)で雨の画像を処理でき、最先端の手法の80倍以上の速度で処理できる。
  論文  参考訳（メタデータ） (2020-09-19T14:32:50Z)
• 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)
• Structural Residual Learning for Single Image Rain Removal [48.87977695398587]
  本研究は,本質的な降雨構造を有するネットワークの出力残余を強制することで,新たなネットワークアーキテクチャを提案する。 このような構造的残差設定は、ネットワークによって抽出された雨層が、一般的な雨害の以前の知識に微妙に従うことを保証している。
  論文  参考訳（メタデータ） (2020-05-19T05:52:13Z)
• 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。