論文の概要: Leveraging Scene Geometry and Depth Information for Robust Image Deraining

• arxiv url: http://arxiv.org/abs/2412.19913v1
• Date: Fri, 27 Dec 2024 20:18:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:02:09.334732
• Title: Leveraging Scene Geometry and Depth Information for Robust Image Deraining
• Title（参考訳）: ロバスト画像デライニングにおけるシーン形状と深度情報の利用
• Authors: Ningning Xu, Jidong J. Yang,
• Abstract要約: 画像のデライン化は、雨条件下での自動運転車のビジョンを高める大きな可能性を秘めている。 従来の研究は主に、デライン画像を生成するために単一のネットワークアーキテクチャを使うことに重点を置いてきた。 本稿では,複数のネットワークを統合した新しい学習フレームワークを紹介する。デレーニングのためのオートエンコーダ,深度情報を組み込む補助ネットワーク,雨と澄んだシーン間の特徴整合性を強制する2つの監視ネットワークである。
• 参考スコア（独自算出の注目度）: 0.9208007322096533
• License:
• Abstract: Image deraining holds great potential for enhancing the vision of autonomous vehicles in rainy conditions, contributing to safer driving. Previous works have primarily focused on employing a single network architecture to generate derained images. However, they often fail to fully exploit the rich prior knowledge embedded in the scenes. Particularly, most methods overlook the depth information that can provide valuable context about scene geometry and guide more robust deraining. In this work, we introduce a novel learning framework that integrates multiple networks: an AutoEncoder for deraining, an auxiliary network to incorporate depth information, and two supervision networks to enforce feature consistency between rainy and clear scenes. This multi-network design enables our model to effectively capture the underlying scene structure, producing clearer and more accurately derained images, leading to improved object detection for autonomous vehicles. Extensive experiments on three widely-used datasets demonstrated the effectiveness of our proposed method.
• Abstract（参考訳）: 画像のデライン化は、雨条件下での自動運転車のビジョンを高める大きな可能性を秘めており、より安全な運転に寄与している。 従来の研究は主に、デライン画像を生成するために単一のネットワークアーキテクチャを使うことに重点を置いてきた。 しかし、しばしば、シーンに埋め込まれた豊富な事前知識を十分に活用することができない。 特に、ほとんどの手法は、シーン幾何学に関する貴重なコンテキストを提供し、より堅牢なデラリニングを導くことができる奥行き情報を見落としている。 本研究では,複数のネットワークを統合した新しい学習フレームワークについて紹介する。デライニングのためのAutoEncoder,深度情報を組み込む補助ネットワーク,雨と澄んだシーン間の特徴整合性を実現するための2つの監視ネットワークである。 このマルチネットワーク設計により,本モデルでは,下層のシーン構造を効果的に把握し,より鮮明で高精度な画像を生成することが可能となり,自律走行車における物体検出の精度が向上する。 広範に利用されている3つのデータセットに対する大規模な実験により,提案手法の有効性が示された。

関連論文リスト

• HVDistill: Transferring Knowledge from Images to Point Clouds via Unsupervised Hybrid-View Distillation [106.09886920774002]
  本稿では,HVDistillと呼ばれるハイブリッドビューに基づく知識蒸留フレームワークを提案する。 提案手法は,スクラッチからトレーニングしたベースラインに対して一貫した改善を実現し,既存のスキームを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-03-18T14:18:08Z)
• NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
  夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。 雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。 雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
  論文  参考訳（メタデータ） (2024-02-28T09:02:33Z)
• 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)
• An End-to-End Cascaded Image Deraining and Object Detection Neural Network [13.314467453715517]
  本稿では,低レベル視覚タスクと高レベル視覚タスクの組み合わせについて検討する。 本稿では,降雨の影響を低減するために,エンドツーエンドの物体検出ネットワークを提案する。 当社のネットワークは、メトリクスの大幅な改善によって最先端を超越しています。
  論文  参考訳（メタデータ） (2022-02-23T02:48:34Z)
• Online-updated High-order Collaborative Networks for Single Image Deraining [51.22694467126883]
  単一画像のデライン化は、ビデオ監視や自動運転システムなど、下流の人工知能アプリケーションにとって重要なタスクである。 マルチスケールのコンパクトな制約と双方向のスケール・コンテント類似性マイニングモジュールを備えた高階協調ネットワークを提案する。 提案手法は,5つの公開合成と1つの実世界のデータセットに対して,11の最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-02-14T09:09:08Z)
• Task-Driven Deep Image Enhancement Network for Autonomous Driving in Bad Weather [5.416049433853457]
  悪天候では、視覚的知覚はいくつかの劣化効果によって大きく影響を受ける。 画像の高品質な復元と高精度な知覚の両方に適した高レベルタスクモデルを導くための新しいタスク駆動型トレーニング戦略を導入する。 実験の結果, 提案手法は車線および2次元物体検出の性能を向上し, 主に悪天候下での深度推定が可能であることがわかった。
  論文  参考訳（メタデータ） (2021-10-14T08:03:33Z)
• Beyond Monocular Deraining: Parallel Stereo Deraining Network Via Semantic Prior [103.49307603952144]
  ほとんどの既存の脱雨アルゴリズムは単一の入力画像のみを使用し、クリーンな画像の復元を目指しています。 本稿では,ステレオ画像とセマンティック情報の両方を利用するPaired Rain Removal Network(PRRNet)を提案する。 単分子および新たに提案したステレオ降雨データセットの両方の実験により,提案手法が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2021-05-09T04:15:10Z)
• Stereo Matching by Self-supervision of Multiscopic Vision [65.38359887232025]
  カメラ位置の整列で撮影した複数の画像を利用したステレオマッチングのための新しい自己監視フレームワークを提案する。 ネットワークを最適化するために、クロスフォトメトリックロス、不確実性を認識した相互監督損失、および新しい平滑性損失が導入されます。 我々のモデルは、KITTIデータセット上の以前の教師なし手法よりも、より良い不均一性マップを得る。
  論文  参考訳（メタデータ） (2021-04-09T02:58:59Z)
• Distilled Semantics for Comprehensive Scene Understanding from Videos [53.49501208503774]
  本稿では,一眼レフカメラによる全体像の理解に向けて,セマンティクスとともに深度や動きを学習し,さらなる一歩を踏み出した。 これら3つの課題を,知識蒸留と自己監督に基づく新たなトレーニングプロトコルによって共同で解決する。 その結果, 単眼深度推定, 光流, モーションセグメンテーションの最先端結果が得られた。
  論文  参考訳（メタデータ） (2020-03-31T08:52:13Z)
• Physical Model Guided Deep Image Deraining [10.14977592107907]
  降雨画像の劣化により、多くのコンピュータビジョンシステムが動作しないため、単一画像のデライン化は緊急の課題である。 本研究では, 物理モデルを用いた単一画像デライニングのための新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2020-03-30T07:08:13Z)

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。