論文の概要: CMAWRNet: Multiple Adverse Weather Removal via a Unified Quaternion Neural Architecture

• arxiv url: http://arxiv.org/abs/2505.01882v1
• Date: Sat, 03 May 2025 18:02:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.317024
• Title: CMAWRNet: Multiple Adverse Weather Removal via a Unified Quaternion Neural Architecture
• Title（参考訳）: CMAWRNet:Unified Quaternion Neural Architectureによる複数の逆気象除去
• Authors: Vladimir Frants, Sos Agaian, Karen Panetta, Peter Huang,
• Abstract要約: 画像やビデオ検索、屋外監視、自動運転といった現実世界のアプリケーションで使用される画像は、悪天候に悩まされている。 この研究は、CMAWRNetと呼ばれる統合四元数ニューラルネットワークを用いて、複数の悪天候除去のための効率的なソリューションを開発することに焦点を当てている。 これは、新しいテクスチャ構造分解ブロック、新しい軽量エンコーダ・デコーダ四元変圧器アーキテクチャ、低光補正の減衰融合ブロックに基づいている。
• 参考スコア（独自算出の注目度）: 2.2124180701409233
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Images used in real-world applications such as image or video retrieval, outdoor surveillance, and autonomous driving suffer from poor weather conditions. When designing robust computer vision systems, removing adverse weather such as haze, rain, and snow is a significant problem. Recently, deep-learning methods offered a solution for a single type of degradation. Current state-of-the-art universal methods struggle with combinations of degradations, such as haze and rain-streak. Few algorithms have been developed that perform well when presented with images containing multiple adverse weather conditions. This work focuses on developing an efficient solution for multiple adverse weather removal using a unified quaternion neural architecture called CMAWRNet. It is based on a novel texture-structure decomposition block, a novel lightweight encoder-decoder quaternion transformer architecture, and an attentive fusion block with low-light correction. We also introduce a quaternion similarity loss function to preserve color information better. The quantitative and qualitative evaluation of the current state-of-the-art benchmarking datasets and real-world images shows the performance advantages of the proposed CMAWRNet compared to other state-of-the-art weather removal approaches dealing with multiple weather artifacts. Extensive computer simulations validate that CMAWRNet improves the performance of downstream applications such as object detection. This is the first time the decomposition approach has been applied to the universal weather removal task.
• Abstract（参考訳）: 画像やビデオ検索、屋外監視、自動運転といった現実世界のアプリケーションで使用される画像は、悪天候に悩まされている。 堅牢なコンピュータビジョンシステムを設計する際には、ヘイズ、雨、雪などの悪天候を取り除くことが重要な問題である。 近年、ディープラーニング手法は、単一のタイプの劣化に対する解決策を提供している。 現在の最先端の普遍的な手法は、ヘイズやレインストリークのような劣化の組合せに苦慮している。 複数の悪天候を含む画像を提示するアルゴリズムはほとんど開発されていない。 この研究は、CMAWRNetと呼ばれる統合四元数ニューラルネットワークを用いて、複数の悪天候除去のための効率的なソリューションを開発することに焦点を当てている。 これは、新しいテクスチャ構造分解ブロック、新しい軽量エンコーダ・デコーダ四元変圧器アーキテクチャ、低光補正の減衰融合ブロックに基づいている。 また色情報をよりよく保存する四元数類似度損失関数も導入する。 現在の最先端のベンチマークデータセットと実世界の画像の定量的かつ質的な評価は、複数の気象アーティファクトを扱う他の最先端の気象除去アプローチと比較して、提案したCMAWRNetの性能上の利点を示している。 大規模なコンピュータシミュレーションにより、CMAWRNetはオブジェクト検出などの下流アプリケーションの性能を向上させる。 ユニバーサル気象除去タスクに分解アプローチを適用するのは,これが初めてである。

関連論文リスト

• MWFormer: Multi-Weather Image Restoration Using Degradation-Aware Transformers [44.600209414790854]
  悪天候下で撮影された画像の復元は、多くのコンピュータビジョンアプリケーションにとって基本的な課題である。 本稿では,マルチウェザー変換器 (MWFormer) を提案する。 MWFormerは,既存の最先端手法と比較して,大幅な性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2024-11-26T08:47:39Z)
• Always Clear Days: Degradation Type and Severity Aware All-In-One Adverse Weather Removal [8.58670633761819]
  オールインワンの悪天候除去は画像復元における新たな話題であり、統一されたモデルで複数の気象劣化を回復することを目的としている。 本稿では,視覚障害者の悪天候画像復元のための劣化型および重症度認識モデルUtilityIRを提案する。
  論文  参考訳（メタデータ） (2023-10-27T17:29:55Z)
• Learning Real-World Image De-Weathering with Imperfect Supervision [57.748585821252824]
  既存の現実世界のデヒータリングデータセットは、接地トラス画像と入力された劣化画像の間に、一貫性のない照明、位置、テクスチャを示すことが多い。 我々は、入力劣化画像と可能な限り一貫性のある擬似ラベルを生成するための一貫性ラベルコンストラクタ(CLC)を開発した。 我々は,従来の不完全ラベルと擬似ラベルを組み合わせることで,情報割当戦略による脱ウェザリングモデルを共同で監督する。
  論文  参考訳（メタデータ） (2023-10-23T14:02:57Z)
• DiffCR: A Fast Conditional Diffusion Framework for Cloud Removal from Optical Satellite Images [27.02507384522271]
  本稿では,光衛星画像の高速クラウド除去に深部畳み込みネットワークを用いた条件付き拡散を利用したDiffCRという新しいフレームワークを提案する。 条件付き特徴抽出のための分離エンコーダを導入し、条件付き入力と合成出力との外観情報の密接な類似性を確保するために、ロバストな色表現を提供する。
  論文  参考訳（メタデータ） (2023-08-08T17:34:28Z)
• 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)
• 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)
• QSAM-Net: Rain streak removal by quaternion neural network with self-attention module [3.8781057504896563]
  リモートセンシング、画像またはビデオ検索、屋外監視における現実世界のアプリケーションで撮影された画像は、悪天候によって引き起こされる劣化した品質に悩まされる。 雨や霧のような条件は、視覚分析を困難にし、ハイレベルなコンピュータビジョン手法の性能を制限する人工物を導入します。 本稿は,QSAM-Netと呼ばれる自己アテンションモジュールを用いて,雨害を除去する新しい4段階多段階ニューラルネットワークを開発することを目的とする。
  論文  参考訳（メタデータ） (2022-08-08T18:09:39Z)
• 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)

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。