論文の概要: OpenRR-5k: A Large-Scale Benchmark for Reflection Removal in the Wild
- arxiv url: http://arxiv.org/abs/2506.05482v1
- Date: Thu, 05 Jun 2025 18:03:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-09 17:28:43.185758
- Title: OpenRR-5k: A Large-Scale Benchmark for Reflection Removal in the Wild
- Title（参考訳）: OpenRR-5k: 野生でのリフレクション除去のための大規模ベンチマーク
- Authors: Jie Cai, Kangning Yang, Ling Ouyang, Lan Fu, Jiaming Ding, Jinglin Shen, Zibo Meng,
- Abstract要約: SIRR(Single Image Reflectionectomy)のための新しいベンチマークを提案する。
我々は,5,300画素の高画質な画像対を含む大規模データセットを開発した。
- 参考スコア（独自算出の注目度）: 11.90005156583499
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Removing reflections is a crucial task in computer vision, with significant applications in photography and image enhancement. Nevertheless, existing methods are constrained by the absence of large-scale, high-quality, and diverse datasets. In this paper, we present a novel benchmark for Single Image Reflection Removal (SIRR). We have developed a large-scale dataset containing 5,300 high-quality, pixel-aligned image pairs, each consisting of a reflection image and its corresponding clean version. Specifically, the dataset is divided into two parts: 5,000 images are used for training, and 300 images are used for validation. Additionally, we have included 100 real-world testing images without ground truth (GT) to further evaluate the practical performance of reflection removal methods. All image pairs are precisely aligned at the pixel level to guarantee accurate supervision. The dataset encompasses a broad spectrum of real-world scenarios, featuring various lighting conditions, object types, and reflection patterns, and is segmented into training, validation, and test sets to facilitate thorough evaluation. To validate the usefulness of our dataset, we train a U-Net-based model and evaluate it using five widely-used metrics, including PSNR, SSIM, LPIPS, DISTS, and NIQE. We will release both the dataset and the code on https://github.com/caijie0620/OpenRR-5k to facilitate future research in this field.
- Abstract（参考訳）: 反射の除去はコンピュータビジョンにおいて重要な課題であり、写真や画像の強化に大きな応用がある。
それでも既存の手法は、大規模で高品質で多様なデータセットがないために制約されている。
本稿では,Single Image Reflectionectomy (SIRR) のための新しいベンチマークを提案する。
我々は,5,300個の高画質画素整列画像対を含む大規模データセットを開発し,それぞれが反射像とその対応するクリーンバージョンで構成されている。
具体的には、データセットをトレーニングに5,000イメージ、検証に300イメージの2つに分割する。
また,提案手法の実用性を評価するために,GTを使わずに100個の実世界のテスト画像を含む。
すべての画像ペアは、正確な監視を保証するために、ピクセルレベルで正確に整列されている。
このデータセットは、様々な照明条件、オブジェクトタイプ、反射パターンを特徴とし、トレーニング、検証、テストセットに区分され、徹底的な評価を容易にする。
データセットの有用性を検証するために、U-Netベースのモデルをトレーニングし、PSNR、SSIM、LPIPS、disTS、NIQEを含む5つの広く使われているメトリクスを用いて評価する。
この分野での今後の研究を促進するため、データセットとコードをhttps://github.com/caijie0620/OpenRR-5kでリリースします。
関連論文リスト
- Finding the Reflection Point: Unpadding Images to Remove Data Augmentation Artifacts in Large Open Source Image Datasets for Machine Learning [0.0]
本稿では,最小平均二乗誤差手法を用いて反射境界を記述するための体系的アルゴリズムを提案する。
提案手法は,圧縮やノイズの存在下においても,真の内容とミラー付き内容との遷移を効果的に同定する。
論文 参考訳（メタデータ） (2025-04-04T04:54:10Z) - Rethinking Image Super-Resolution from Training Data Perspectives [54.28824316574355]
画像超解像(SR)におけるトレーニングデータの効果について検討する。
そこで我々は,自動画像評価パイプラインを提案する。
その結果, (i) 圧縮アーチファクトの少ないデータセット, (ii) 被写体数によって判断される画像内多様性の高いデータセット, (iii) ImageNet や PASS からの大量の画像がSR性能に肯定的な影響を与えることがわかった。
論文 参考訳（メタデータ） (2024-09-01T16:25:04Z) - 3DRef: 3D Dataset and Benchmark for Reflection Detection in RGB and
Lidar Data [0.0]
本稿では,マルチリターンライダー,RGB画像,および2D/3Dセマンティックラベルの5万以上のサンプルを含む,最初の大規模3D反射検出データセットを提案する。
提案したデータセットは, 高精度なグローバルアライメント, マルチモーダルデータ, 多様な反射物体や材料を備えた総合的なテストベッドを提供することにより, 反射検出を推し進める。
論文 参考訳（メタデータ） (2024-03-11T09:29:44Z) - Revisiting Single Image Reflection Removal In the Wild [83.42368937164473]
本研究は,実環境におけるシングルイメージリフレクション除去(SIRR)の問題に焦点をあてる。
我々は,様々な現実世界のリフレクションシナリオに高度に適用可能な,高度なリフレクション収集パイプラインを考案した。
野生での反射除去(RRW)と呼ばれる大規模で高品質な反射データセットを開発する。
論文 参考訳（メタデータ） (2023-11-29T02:31:10Z) - Highly Accurate Dichotomous Image Segmentation [139.79513044546]
Dichotomous Image segmentation (DIS)と呼ばれる新しいタスクは、自然画像から高度に正確な物体を抽出することを目的としている。
私たちは、5,470の高解像度画像(例えば、2K、4K以上の画像)を含む最初の大規模データセットdis5Kを収集します。
また、Disdisモデルトレーニングのための特徴レベルとマスクレベルの両方のガイダンスを用いて、単純な中間監視ベースライン(IS-Net)を導入する。
論文 参考訳（メタデータ） (2022-03-06T20:09:19Z) - Remote Sensing Image Super-resolution and Object Detection: Benchmark
and State of the Art [7.74389937337756]
本稿では、リモートセンシング画像の現在のデータセットとオブジェクト検出方法(深層学習に基づく)についてレビューする。
本稿では,大規模かつ一般公開なリモートセンシング超解像オブジェクト検出データセットを提案する。
また、画像超解像に基づく物体検出のベンチマークを行うために、Residual Feature aggregate (MCGR) と補助YOLOv5検出器を備えた新しいマルチクラスサイクル超解像対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-11-05T04:56:34Z) - A Categorized Reflection Removal Dataset with Diverse Real-world Scenes [54.662456878340215]
我々は、分類され、多様で、現実世界(CDR)に分類された新しい反射除去データセットを構築する。
データセットは様々な環境下で様々なガラスタイプを使用して構築され、多様性が保証される。
現状の反射除去法は, 一般にぼやけた反射に対して良好に機能するが, 他の種類の実世界の反射に対する満足度は得られないことを示す。
論文 参考訳（メタデータ） (2021-08-07T06:56:57Z) - Salient Objects in Clutter [130.63976772770368]
本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。
この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。
我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
論文 参考訳（メタデータ） (2021-05-07T03:49:26Z)
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。