論文の概要: USRNet: Unified Scene Recovery Network for Enhancing Traffic Imaging under Multiple Adverse Weather Conditions
- arxiv url: http://arxiv.org/abs/2502.07372v1
- Date: Tue, 11 Feb 2025 08:47:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-12 14:07:40.794344
- Title: USRNet: Unified Scene Recovery Network for Enhancing Traffic Imaging under Multiple Adverse Weather Conditions
- Title(参考訳): USRNet:複数の逆気象条件下での交通画像改善のための一元的景観回復ネットワーク
- Authors: Yuxu Lu, Ai Chen, Dong Yang, Ryan Wen Liu,
- Abstract要約: 複数種類の画像劣化を処理できる統一シーン回復ネットワーク (USRNet) を導入する。
USRNetは、シーンエンコーダ、注意駆動ノード独立学習機構(NILM)、エッジデコーダ、シーン復元モジュールからなる洗練されたアーキテクチャを備えている。
実験の結果,USRNetは複雑な画像劣化処理において既存の手法を超越していることがわかった。
- 参考スコア(独自算出の注目度): 7.587322796437864
- License:
- Abstract: Advancements in computer vision technology have facilitated the extensive deployment of intelligent transportation systems and visual surveillance systems across various applications, including autonomous driving, public safety, and environmental monitoring. However, adverse weather conditions such as haze, rain, snow, and more complex mixed degradation can significantly degrade image quality. The degradation compromises the accuracy and reliability of these systems across various scenarios. To tackle the challenge of developing adaptable models for scene restoration, we introduce the unified scene recovery network (USRNet), capable of handling multiple types of image degradation. The USRNet features a sophisticated architecture consisting of a scene encoder, an attention-driven node independent learning mechanism (NILM), an edge decoder, and a scene restoration module. The scene encoder, powered by advanced residual blocks, extracts deep features from degraded images in a progressive manner, ensuring thorough encoding of degradation information. To enhance the USRNet's adaptability in diverse weather conditions, we introduce NILM, which enables the network to learn and respond to different scenarios with precision, thereby increasing its robustness. The edge decoder is designed to extract edge features with precision, which is essential for maintaining image sharpness. Experimental results demonstrate that USRNet surpasses existing methods in handling complex imaging degradations, thereby improving the accuracy and reliability of visual systems across diverse scenarios. The code resources for this work can be accessed in https://github.com/LouisYxLu/USRNet.
- Abstract(参考訳): コンピュータビジョン技術の進歩は、自律運転、公共安全、環境監視など、様々なアプリケーションにインテリジェントな交通システムや視覚監視システムの広範な展開を促進する。
しかし、ヘイズ、雨、雪、さらに複雑な混合劣化などの悪天候は、画像の品質を著しく低下させる可能性がある。
この劣化は、これらのシステムの精度と信頼性を様々なシナリオで損なう。
シーン復元のための適応型モデルを開発する上で,複数のタイプの画像劣化を処理可能な統一シーン復元ネットワーク (USRNet) を導入する。
USRNetは、シーンエンコーダ、注意駆動ノード独立学習機構(NILM)、エッジデコーダ、シーン復元モジュールからなる洗練されたアーキテクチャを備えている。
シーンエンコーダは、高度な残差ブロックによって駆動され、劣化した画像から段階的に深い特徴を抽出し、劣化情報の徹底的な符号化を確保する。
各種気象条件におけるUSRNetの適応性を高めるため,NILMを導入し,ネットワークが様々なシナリオを正確に学習し,応答し,ロバスト性を高める。
エッジデコーダは、画像のシャープさを維持するために欠かせないエッジ特徴を精度良く抽出するように設計されている。
実験の結果,USRNetは複雑な画像劣化処理における既存の手法を超越し,様々なシナリオにおける視覚システムの精度と信頼性を向上させることができた。
この作業のコードリソースはhttps://github.com/LouisYxLu/USRNetでアクセスすることができる。
関連論文リスト
- Towards Loss-Resilient Image Coding for Unstable Satellite Networks [24.752636739603116]
地球軌道(GEO)衛星通信は、緊急時短バーストデータサービスにおいて大きな利点を示す。
不安定な衛星ネットワーク、特にパケットロスが頻発する衛星は、正確な画像伝送に深刻な困難をもたらす。
本稿では,学習画像圧縮におけるエンドツーエンドの最適化を生かした損失耐性画像符号化手法を提案する。
論文 参考訳(メタデータ) (2025-01-20T04:11:09Z) - Multi-Scale Representation Learning for Image Restoration with State-Space Model [13.622411683295686]
効率的な画像復元のためのマルチスケール状態空間モデル(MS-Mamba)を提案する。
提案手法は,計算複雑性を低く保ちながら,新しい最先端性能を実現する。
論文 参考訳(メタデータ) (2024-08-19T16:42:58Z) - 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) - AoSRNet: All-in-One Scene Recovery Networks via Multi-knowledge
Integration [17.070755601209136]
マルチ知識統合によるオールインワンシーン復元ネットワーク(AoSRNet)を提案する。
ガンマ補正(GC)と最適化線形ストレッチ(OLS)を組み合わせてディテール拡張モジュール(DEM)とカラー復元モジュール(CRM)を作成する。
総合的な実験結果から,AoSRNetの有効性と安定性が他の最先端手法と比較された。
論文 参考訳(メタデータ) (2024-02-06T06:12:03Z) - MvKSR: Multi-view Knowledge-guided Scene Recovery for Hazy and Rainy
Degradation [8.955174143860681]
高品質のイメージングは、交通や産業などの分野における安全の監督とインテリジェントな展開を保証するために不可欠である。
大気の湿潤度や降水などの悪天候は、画質に大きな影響を及ぼす可能性がある。
本稿では, 降雨条件下での劣化画像を復元する, 知識誘導型シーンリカバリネットワーク(MvKSR)を提案する。
論文 参考訳(メタデータ) (2024-01-08T10:41:45Z) - Learning Enriched Features for Fast Image Restoration and Enhancement [166.17296369600774]
本稿では,ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とする。
我々は、高解像度の空間的詳細を同時に保存しながら、複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
提案手法は,デフォーカス・デブロアリング,画像デノイング,超解像,画像強調など,さまざまな画像処理タスクに対して,最先端の処理結果を実現する。
論文 参考訳(メタデータ) (2022-04-19T17:59:45Z) - Learning Deep Context-Sensitive Decomposition for Low-Light Image
Enhancement [58.72667941107544]
典型的なフレームワークは、照明と反射を同時に推定することであるが、特徴空間にカプセル化されたシーンレベルの文脈情報を無視する。
本研究では,空間スケールにおけるシーンレベルのコンテキスト依存を生かした,コンテキスト依存型分解ネットワークアーキテクチャを提案する。
チャネル数を減らして軽量なCSDNet(LiteCSDNet)を開発する。
論文 参考訳(メタデータ) (2021-12-09T06:25:30Z) - Contrastive Learning for Compact Single Image Dehazing [41.83007400559068]
コントラスト学習に基づいて構築された新しいコントラスト正規化(CR)を提案し、ヘイズ画像とクリア画像の情報の両方をネガティブかつポジティブなサンプルとして活用する。
CRは、復元された画像が透明な画像に近づき、表現空間のぼやけた画像から遠くへ押し出されることを保証する。
性能とメモリストレージのトレードオフを考慮すると、オートエンコーダのようなフレームワークに基づくコンパクトなデハージングネットワークを開発する。
論文 参考訳(メタデータ) (2021-04-19T14:56:21Z) - Multi-Stage Progressive Image Restoration [167.6852235432918]
本稿では、これらの競合する目標を最適にバランスできる新しい相乗的設計を提案する。
本提案では, 劣化した入力の復元関数を段階的に学習する多段階アーキテクチャを提案する。
MPRNetという名前の密接な相互接続型マルチステージアーキテクチャは、10のデータセットに対して強力なパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2021-02-04T18:57:07Z) - EventSR: From Asynchronous Events to Image Reconstruction, Restoration,
and Super-Resolution via End-to-End Adversarial Learning [75.17497166510083]
イベントカメラは強度の変化を感知し、従来のカメラよりも多くの利点がある。
イベントストリームからの強度画像の再構成手法が提案されている。
出力は依然として低解像度(LR)、ノイズ、非現実的である。
本研究では、イベントストリームからLR画像を再構成し、画像品質を高め、EventSRと呼ばれる拡張イメージをアップサンプリングする、新しいエンドツーエンドパイプラインを提案する。
論文 参考訳(メタデータ) (2020-03-17T10:58:10Z) - Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。
ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。
提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文 参考訳(メタデータ) (2020-03-15T11:04:30Z)
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。