論文の概要: Unsupervised Raindrop Removal from a Single Image using Conditional Diffusion Models

• arxiv url: http://arxiv.org/abs/2505.08190v1
• Date: Tue, 13 May 2025 03:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.403181
• Title: Unsupervised Raindrop Removal from a Single Image using Conditional Diffusion Models
• Title（参考訳）: 条件拡散モデルを用いた単一画像からの無監督雨滴除去
• Authors: Lhuqita Fazry, Valentino Vito,
• Abstract要約: 単一画像からの雨滴除去は画像処理において難しい課題である。 拡散モデルの使用の最近の進歩は、最先端の画像塗装技術に繋がる。 本研究では,拡散画像を用いた単一画像からの雨滴除去手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Raindrop removal is a challenging task in image processing. Removing raindrops while relying solely on a single image further increases the difficulty of the task. Common approaches include the detection of raindrop regions in the image, followed by performing a background restoration process conditioned on those regions. While various methods can be applied for the detection step, the most common architecture used for background restoration is the Generative Adversarial Network (GAN). Recent advances in the use of diffusion models have led to state-of-the-art image inpainting techniques. In this paper, we introduce a novel technique for raindrop removal from a single image using diffusion-based image inpainting.
• Abstract（参考訳）: 雨滴除去は画像処理において難しい課題である。 単一画像にのみ依存しながら雨滴を除去することは、作業の難しさをさらに高める。 一般的なアプローチとしては、画像中の雨滴領域の検出と、それらの領域に条件付けされた背景復元プロセスの実行がある。 検出ステップに様々な手法を適用することができるが、バックグラウンド復元に最もよく使われるアーキテクチャはGAN(Generative Adversarial Network)である。 拡散モデルの使用の最近の進歩は、最先端の画像塗装技術に繋がる。 本稿では,拡散画像を用いた単一画像からの雨滴除去手法を提案する。

関連論文リスト

• Unsupervised Network for Single Image Raindrop Removal [4.982370044801629]
  本研究では,教師なし学習に基づく雨滴除去のためのディープニューラルネットワークを提案する。 提案モデルでは,サイクルネットワークアーキテクチャに基づく層分離を行う。 雨滴ベンチマークデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-12-04T04:10:50Z)
• Dual Degradation Representation for Joint Deraining and Low-Light Enhancement in the Dark [57.85378202032541]
  暗闇の中での雨は、自律運転や監視システム、夜間写真など、現実世界のアプリケーションをデプロイする上で大きな課題となる。 既存の低照度化や除染法は、低照度を明るくし、同時に雨を取り除くのに苦労する。 L$2$RIRNetと呼ばれるエンド・ツー・エンドのモデルを導入する。
  論文  参考訳（メタデータ） (2023-05-06T10:17:42Z)
• 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)
• Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
  オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。 提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
  論文  参考訳（メタデータ） (2022-12-23T03:00:28Z)
• Feature-Aligned Video Raindrop Removal with Temporal Constraints [68.49161092870224]
  雨滴除去は、単一画像とビデオの両方において困難である。 熱帯雨林とは異なり、雨滴は複数のフレームで同じ地域を覆う傾向にある。 本手法では,2段階の降雨量除去手法を用いる。
  論文  参考訳（メタデータ） (2022-05-29T05:42:14Z)
• 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)
• Exploiting Global and Local Attentions for Heavy Rain Removal on Single Images [35.596659286313766]
  単一画像からの豪雨除去は、雨のストレークと霧を同時に排除する作業である。 既存の降雨除去方法は, 大雨の場合, あまり一般的ではない。 3つのサブネットワークからなる新しいネットワークアーキテクチャを提案し、単一の画像から大雨を取り除く。
  論文  参考訳（メタデータ） (2021-04-16T14:08:27Z)
• Adherent Mist and Raindrop Removal from a Single Image Using Attentive Convolutional Network [1.2891210250935146]
  ガラスに付着したガラス、例えばフロントガラス、カメラレンズなどの温度差による霧は、しばしば不均一で不均一である。 本研究では, 付着霧と雨滴による画像劣化の問題を新たに提示する。 注意的畳み込みネットワークを採用し、単一の画像から付着霧や雨滴を視覚的に除去する。
  論文  参考訳（メタデータ） (2020-09-03T06:17:53Z)
• Wavelet-Based Dual-Branch Network for Image Demoireing [148.91145614517015]
  画像復調のための空間的注意機構を備えたウェーブレットベースのデュアルブランチネットワーク(WDNet)を設計する。 我々のネットワークはウェーブレット領域のモアレパターンを除去し、モアレパターンの周波数を画像の内容から分離する。 さらに,本手法の有効性を実証し,WDNetが非スクリーン画像上のモアレアーティファクトの除去を一般化することを示す。
  論文  参考訳（メタデータ） (2020-07-14T16:44:30Z)
• 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)

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。