論文の概要: Learning from synthetic photorealistic raindrop for single image raindrop removal

• arxiv url: http://arxiv.org/abs/2609.37870v1
• Date: Tue, 29 Sep 2026 15:48:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.708003
• Title: Learning from synthetic photorealistic raindrop for single image raindrop removal
• Title（参考訳）: 単一画像雨滴除去のための合成フォトリアリスティック雨滴からの学習
• Abstract要約: 本研究は,合成雨滴のフォトリアリスティックデータセットをトレーニング用として提案する。 レンダリングは、水力学、幾何学、および光度測定を考慮した物理である。 雨滴画像のモデリングに基づいて,雨滴屈折の認識とぼやけを検知するネットワークを導入する。
• 参考スコア（独自算出の注目度）: 21.815526040238414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Raindrops adhered to camera lens or windshield are inevitable in rainy scenes and can become an issue for many computer vision systems such as autonomous driving. Because raindrop appearance is affected by too many parameters, therefore it is unlikely to find an effective model based solution. Learning based methods are also problematic, because traditional learning method cannot properly model the complex appearance. Whereas deep learning method lacks sufficiently large and realistic training data. To solve it, in our work, we propose the first photo-realistic dataset of synthetic adherent raindrops for training. The rendering is physics based with consideration of the water dynamic, geometric and photometry. The dataset contains various types of rainy scenes and particularly the rainy driving scenes. Based on the modeling of raindrop imagery, we introduce a detection network which has the awareness of the raindrop refraction as well as its blurring. Based on that, we propose the removal network that can well recover the image structure. Rigorous experiments demonstrate the state-of-the-art performance of our proposed framework.
• Abstract（参考訳）: カメラレンズやフロントガラスに付着した雨滴は雨の場面では避けられず、自律運転のような多くのコンピュータビジョンシステムでは問題となる可能性がある。 雨滴の出現にはパラメータが多すぎるため,効果的なモデルベースソリューションが見つからない。 従来の学習手法では、複雑な外観を適切にモデル化できないため、学習ベースの手法も問題となる。 深層学習法には十分な大規模かつ現実的な訓練データがない。 そこで本研究では,合成付着雨滴のフォトリアリスティックデータセットを提案する。 レンダリングは、水力学、幾何学、および光度測定を考慮した物理である。 データセットには様々な種類の雨のシーン、特に雨の運転シーンが含まれている。 雨滴画像のモデリングに基づいて,雨滴屈折の認識とぼやけを検知するネットワークを導入する。 そこで本研究では,画像構造をよく復元できる除去ネットワークを提案する。 厳密な実験により,提案フレームワークの最先端性能が実証された。

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)
• NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
  夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。 雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。 雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
  論文  参考訳（メタデータ） (2024-02-28T09:02:33Z)
• Why current rain denoising models fail on CycleGAN created rain images in autonomous driving [1.4831974871130875]
  GAN(Generative Adversarial Network)を用いた一組のクリアウェザー条件画像に雨を人工的に付加する この人工的な雨画像の生成は、10件中7件で、人間の被験者は生成された雨画像が本物だと信じていた。 第2のステップでは、このペア付きグッド/バッド気象画像データを使用して、主にCNN(Convolutional Neural Network)とVision Transformer(Vision Transformer)をベースとした2つの降雨モデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-05-22T12:42:32Z)
• Joint Depth Estimation and Mixture of Rain Removal From a Single Image [24.009353523566162]
  そこで我々は,DeMore-Netと呼ばれる降雨の混合に対する効果的な画像デクリニングパラダイムを提案する。 本研究では,画像のデアライジング作業における正規化手法について検討し,DeMore-Netのデアライジング性能を向上させるためにHNB(Hybrid Normalization Block)を導入する。
  論文  参考訳（メタデータ） (2023-03-31T02:05:45Z)
• Video Waterdrop Removal via Spatio-Temporal Fusion in Driving Scenes [53.16726447796844]
  運転中のフロントガラスの水滴は、深刻な視覚障害を引き起こし、自動車事故を引き起こす可能性がある。 本研究では、複数のフレームから表現を融合させて、水滴に隠された視覚情報を復元するアテンションベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-12T13:47:26Z)
• Not Just Streaks: Towards Ground Truth for Single Image Deraining [42.15398478201746]
  実世界の雨天とクリーンなイメージペアの大規模データセットを提案する。 本稿では,雨天と清潔な画像の間の雨害損失を最小限に抑え,基盤となるシーンを再構築するディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-06-22T00:10:06Z)
• UnfairGAN: An Enhanced Generative Adversarial Network for Raindrop Removal from A Single Image [8.642603456626391]
  UnfairGANは、エッジや雨量推定といった事前の高レベル情報を活用することで、デライニング性能を向上させることができる、改良された生成的敵ネットワークである。 提案手法は, 定量的な計測値と視覚的品質に関する降雨量について, 従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-11T18:02:43Z)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)
• 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。