論文の概要: Wavelet-Enhanced Desnowing: A Novel Single Image Restoration Approach for Traffic Surveillance under Adverse Weather Conditions

• arxiv url: http://arxiv.org/abs/2503.01339v1
• Date: Mon, 03 Mar 2025 09:23:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:18:25.571757
• Title: Wavelet-Enhanced Desnowing: A Novel Single Image Restoration Approach for Traffic Surveillance under Adverse Weather Conditions
• Title（参考訳）: Wavelet-Enhanced Desnowing: 逆気象条件下での交通監視のための新しい単一画像復元手法
• Authors: Zihan Shen, Yu Xuan, Qingyu Yang,
• Abstract要約: 本稿では,デュアルトレー複合ウェーブレット変換機能拡張モジュールと動的畳み込み加速度モジュールを用いたウェーブレット強化除雪法を提案する。 提案手法は, 積雪地域から情報を抽出し, 解析し, 除雪性能を著しく向上させる。 そして、残学習回復モジュールは画像のベール効果を除去し、明瞭さと詳細性を高めます。
• 参考スコア（独自算出の注目度）: 10.616178629884832
• License:
• Abstract: Image restoration under adverse weather conditions refers to the process of removing degradation caused by weather particles while improving visual quality. Most existing deweathering methods rely on increasing the network scale and data volume to achieve better performance which requires more expensive computing power. Also, many methods lack generalization for specific applications. In the traffic surveillance screener, the main challenges are snow removal and veil effect elimination. In this paper, we propose a wavelet-enhanced snow removal method that use a Dual-Tree Complex Wavelet Transform feature enhancement module and a dynamic convolution acceleration module to address snow degradation in surveillance images. We also use a residual learning restoration module to remove veil effects caused by rain, snow, and fog. The proposed architecture extracts and analyzes information from snow-covered regions, significantly improving snow removal performance. And the residual learning restoration module removes veiling effects in images, enhancing clarity and detail. Experiments show that it performs better than some popular desnowing methods. Our approach also demonstrates effectiveness and accuracy when applied to real traffic surveillance images.
• Abstract（参考訳）: 悪天候下での画像復元は、視覚的品質を改善しながら、天候粒子による劣化を除去する過程を指す。 既存のデウェザリング手法の多くは、より高価な計算能力を必要とするパフォーマンスを達成するために、ネットワークスケールとデータボリュームを増大させることに依存している。 また、多くの手法は特定の用途の一般化を欠いている。 交通監視スクリーニングにおいて、主な課題は除雪とベール効果の除去である。 本稿では、デュアルトレー複合ウェーブレット変換機能拡張モジュールと動的畳み込み加速モジュールを用いて、監視画像の雪の劣化に対処するウェーブレット強化除雪手法を提案する。 また, 雨, 雪, 霧によるベール効果を除去するために, 残留学習モジュールを用いた。 提案手法は, 積雪地域から情報を抽出し, 解析し, 除雪性能を著しく向上させる。 そして、残学習回復モジュールは画像のベール効果を除去し、明瞭さと詳細性を高めます。 実験の結果、一般的な解答法よりも優れた性能を示した。 また,実際の交通監視画像に適用した場合の有効性と精度を示す。

関連論文リスト

• AllWeatherNet:Unified Image Enhancement for Autonomous Driving under Adverse Weather and Lowlight-conditions [24.36482818960804]
  本稿では,悪条件により劣化した視覚的品質と明度を改善する方法を提案する。 我々の手法であるAllWeather-Netは、新しい階層型アーキテクチャを用いて、すべての悪条件をまたいで画像を強化する。 再学習することなく、最大3.9%のmIoU改善を達成し、未確認領域に適用することで、モデルの一般化能力を示す。
  論文  参考訳（メタデータ） (2024-09-03T16:47:01Z)
• Decoupling Degradation and Content Processing for Adverse Weather Image Restoration [79.59228846484415]
  逆の気象画像復元は、雨、干し草、雪などの様々な気象の影響を受ける人々から、鮮明なイメージを復元する試みである。 従来の手法では、1つのネットワーク内で複数の気象タイプを処理できるが、これら2つのプロセス間の決定的な区別を無視し、復元された画像の品質を制限している。 本研究は,DDCNetと呼ばれる新しい悪天候画像復元手法を導入し,チャネル統計に基づく特徴レベルの劣化除去とコンテンツ復元を分離する。
  論文  参考訳（メタデータ） (2023-12-08T12:26:38Z)
• 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)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• Star-Net: Improving Single Image Desnowing Model With More Efficient Connection and Diverse Feature Interaction [0.8602553195689513]
  本稿では,Star-Netと呼ばれる新しい単一画像認識ネットワークを提案する。 まず、スター型スキップ接続(SSC)を設計し、全ての異なる機能のための情報チャネルを確立する。 第2に、Star-NetのベースモジュールとしてMulti-Stage Interactive Transformer(MIT)を提案する。 第3に, 積雪粒子と積雪霧を除去するデジネートフィルタモジュール (DFM) を提案する。
  論文  参考訳（メタデータ） (2023-03-17T14:03:49Z)
• MSP-Former: Multi-Scale Projection Transformer for Single Image Desnowing [6.22867695581195]
  1枚の画像から雪を除去する作業に視覚変換器を適用した。 チャネルに沿って分割された並列ネットワークアーキテクチャを提案し、局所的な特徴改善とグローバルな情報モデリングを別々に行う。 実験では,本手法の優位性を示すため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2022-07-12T15:44:07Z)
• Snow Mask Guided Adaptive Residual Network for Image Snow Removal [21.228758052455273]
  雪は、高レベルのコンピュータビジョンタスクのパフォーマンスに深刻な影響を与える非常に一般的な大気現象である。 SMGARN(Snow Mask Guided Adaptive Residual Network)を提案する。 Mask-Net、Guidance-Fusion Network (GF-Net)、Reconstruct-Netの3部で構成されている。 SMGARNは既存の除雪方法よりも数値的に優れており、再構成された画像は視覚的コントラストにおいてより鮮明である。
  論文  参考訳（メタデータ） (2022-07-11T10:30:46Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• TransWeather: Transformer-based Restoration of Images Degraded by Adverse Weather Conditions [77.20136060506906]
  トランスウェザー (TransWeather) は1つのエンコーダとデコーダしか持たない変圧器を用いたエンド・ツー・エンドモデルである。 TransWeatherは、All-in-Oneネットワーク上で、複数のテストデータセット間で大幅に改善されている。 実世界のテスト画像で検証され、従来の方法よりも効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-11-29T18:57:09Z)
• 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)
• Deep Dense Multi-scale Network for Snow Removal Using Semantic and Geometric Priors [78.61844008368587]
  本研究では, 積雪除去のための深度多スケールネットワーク (textbfDDMSNet) を提案する。 セマンティクスマップと幾何マップを入力として取り入れ,セマンティクス・アウェア表現と幾何アウェア表現を学習して雪を取り除く。
  論文  参考訳（メタデータ） (2021-03-21T03:30:30Z)

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。