論文の概要: LLPR: Location-aware learning and physics-based reconstruction for raindrop removal from a single image
- arxiv url: http://arxiv.org/abs/2609.30758v1
- Date: Fri, 25 Sep 2026 03:36:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 18:27:51.219457
- Title: LLPR: Location-aware learning and physics-based reconstruction for raindrop removal from a single image
- Title（参考訳）: LLPR:単一画像からの雨滴除去のための位置認識学習と物理に基づく再構築
- Abstract要約: 雨滴は、窓やカメラレンズに付着しているため、背景のシーンで閉塞や歪みを引き起こすことがある。
既存の雨滴除去手法は、歪んだテクスチャを復元するために洗練されたCNNまたはトランスフォーマーアーキテクチャを設計することに集中している。
本稿では,位置情報と物理モデルを市販CNNやTransformerアーキテクチャに統合して性能向上を図る。
- 参考スコア（独自算出の注目度）: 22.776775355826633
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Raindrops can cause occlusion and distortion in the background scenes due to their adherence to windows or camera lenses. Existing raindrop removal methods concentrate on designing sophisticated CNN or Transformer architectures to recover distorted and missing texture. In this paper, we try to integrate location information and physical model into off-the-shelf CNN or Transformer architectures to help improve their performance. Specifically, we notice that existing methods deploy a preprocessing sub-network to generate a binary or soft mask to indicate the raindrop location, which will increase the network parameters and computational complexity. In contrast, a location-aware learning branch is embedded to teach the encoder in the training phase with the capability of perceiving the position of the raindrops. Note that this location-aware learning branch can be removed during the inference process (achieving performance improvements at no cost). Furthermore, instead of directly reconstructing the raindrop-free image (i.e., background scene), we devise a physics-based reconstruction scheme to first learn the transparency matrix and the raindrop layer. The latent background layer is then reversely derived based on the physical model. By combining the above-mentioned components, we propose our location-aware learning and physics-based reconstruction (LLPR) framework for this challenging ill-posed problem. We also collect a real-world raindrop-degraded image dataset, which is challenging for single-image raindrop removal (SIRR) methods. Extensive experimental results demonstrate the effectiveness and generality of our LLPR framework, achieving superior performance against state-of-the-art SIRR methods. The code will be made available upon acceptance.
- Abstract（参考訳）: 雨滴は、窓やカメラレンズに付着しているため、背景のシーンで閉塞や歪みを引き起こすことがある。
既存の雨滴除去手法は、歪んだテクスチャを復元するために洗練されたCNNまたはトランスフォーマーアーキテクチャを設計することに集中している。
本稿では,位置情報と物理モデルを市販CNNやTransformerアーキテクチャに統合して性能向上を図る。
具体的には,ネットワークパラメータと計算複雑性を増大させるため,既存の手法ではサブネットワークをプリプロセスしてバイナリマスクやソフトマスクを生成し,雨滴の位置を示す。
対照的に、位置認識学習部を組み込んで、雨滴の位置を知覚する能力を備えた訓練段階におけるエンコーダを教える。
この位置認識学習ブランチは、推論プロセス中に(コストなしでパフォーマンス改善を実現する)削除できる点に注意が必要だ。
さらに,雨滴のない画像を直接再構成する代わりに,最初に透明度行列と雨滴層を学習するための物理ベースの再構成手法を考案した。
次に、潜在背景層を物理モデルに基づいて逆導出する。
上記の要素を組み合わせることで,この難解な問題に対する位置認識学習と物理に基づく再構成(LLPR)フレームワークを提案する。
また, 降雨量削減手法(SIRR)の課題である降雨量削減画像データセットも収集した。
LLPRフレームワークの有効性と汎用性を実証し,最先端SIRR法に対して優れた性能を実現した。
コードは受理時に利用可能になる。
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) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - Dynamic Association Learning of Self-Attention and Convolution in Image
Restoration [56.49098856632478]
CNNとSelf attentionは、画像修復における自己意識と畳み込みの動的関連学習のためのマルチメディアアプリケーションにおいて大きな成功を収めている。
本稿では,その利点を活かし,その欠点を抑え,高品質で効率的な塗布を実現するためのアソシエーション学習手法を提案する。
論文 参考訳（メタデータ） (2023-11-09T05:11:24Z) - 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) - Magic ELF: Image Deraining Meets Association Learning and Transformer [63.761812092934576]
本稿では,CNN と Transformer を統合化して,画像デライニングにおける学習のメリットを活用することを目的とする。
降雨除去と背景復旧を関連づける新しいマルチインプット・アテンション・モジュール (MAM) を提案する。
提案手法(ELF)は,最先端手法(MPRNet)を平均0.25dB向上させる。
論文 参考訳（メタデータ） (2022-07-21T12:50:54Z) - SAPNet: Segmentation-Aware Progressive Network for Perceptual
Contrastive Deraining [2.615176171489612]
単一画像のデライニングのためのコントラスト学習に基づくセグメンテーション・アウェア・プログレッシブ・ネットワーク(SAPNet)を提案する。
本モデルでは,オブジェクト検出とセマンティックセマンティックセグメンテーションを高い精度で支援する。
論文 参考訳（メタデータ） (2021-11-17T03:57:11Z) - Structure-Preserving Deraining with Residue Channel Prior Guidance [33.41254475191555]
多くのハイレベルコンピュータビジョンタスクにおいて、単一画像のデアライニングが重要である。
RCP誘導を用いた構造保存評価ネットワーク(SPDNet)を提案する。
SPDNetは、RCPガイダンスの下で、明瞭で正確な構造を持つ高品質な無雨画像を直接生成する。
論文 参考訳（メタデータ） (2021-08-20T09:09:56Z) - Rain Removal and Illumination Enhancement Done in One Go [1.0323063834827415]
本稿では,雨を除去し,照明を1回で強化できる新しい絡み合いネットワークEMNetを提案する。
雨画像復元アルゴリズムの開発を促進するために,新しい合成データセットDarkRainを提案する。
EMNetは提案したベンチマークで広範囲に評価され、最先端の結果が得られた。
論文 参考訳（メタデータ） (2021-08-09T08:46:15Z) - RCDNet: An Interpretable Rain Convolutional Dictionary Network for
Single Image Deraining [49.99207211126791]
雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。
RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。
このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
論文 参考訳（メタデータ） (2021-07-14T16:08:11Z) - A Model-driven Deep Neural Network for Single Image Rain Removal [52.787356046951494]
完全解釈可能なネットワーク構造を持つモデル駆動型ディープニューラルネットワークを提案する。
雨を表現するための畳み込み辞書学習機構に基づいて,新しい単一画像デレーニングモデルを提案する。
すべてのレインカーネルとオペレータは自動的に抽出され、レイン層とクリーンなバックグラウンド層の両方の特徴を忠実に特徴付けることができる。
論文 参考訳（メタデータ） (2020-05-04T09:13:25Z)
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。