抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
雨画像コンテンツの厳しさは,しばしば,レムナント降雨,誤って取り除かれた詳細,および歪んだ外観を含む画像劣化に対する切断エッジ脱線モデルを導く。このような劣化は,実世界の雨画像に合成データで訓練されたモデルを適用するとき,さらに悪化する。合成と実世界の降雨画像の間の2種類の領域ギャップを観察した:一つは降雨ストリークパターンに存在する;もう一つは雨のない画像の画素レベル外観である。2つのドメインギャップを橋渡しするために,二重サンプル増強コントラスト学習による半教師つき詳細回復画像雑音除去ネットワーク(Semi-DRDNet)を提案した。半DRDNetは3つのサブネットワークから成る:i)レムナントのない降雨ストリークを除去するため,スクイーズと励起に基づく降雨残差ネットワーク;ii)損失した詳細をリターンに奨励するために,構造詳細文脈集約ベースの詳細修復ネットワークを構築した。著者らの知る限り,これは初めてである;およびiii)降雨ストリークとクリーンバックグラウンドの両方に対する効率的な対比制約の構築のために,新しい二重サンプル増強コントラスト正則化ネットワークを利用した。半DRDNetは,ロバスト性と詳細精度を解読することに関して,合成と実世界の雨データの両方でスムーズに動作した。著者らが確立した実際の200を含む4つのデータセットの比較は,半DRDNetの15の最先端技術の明白な改良を示した。コードとデータセットはhttps://github.com/syy whu/DRD Netで利用可能である。【JST・京大機械翻訳】