search

fulfulggg / Information-gathering

Fusion of Python and GIMP
MIT License
0 stars 0 forks source link

HazeSpace2M: かすみを考慮した単一画像のデヘイズのためのデータセット #375

Open fulfulggg opened 1 month ago

fulfulggg commented 1 month ago

タイトル: HazeSpace2M: かすみを考慮した単一画像のデヘイズのためのデータセット

リンク: https://arxiv.org/abs/2409.17432

概要:

大気中の霞を軽減し、画像の鮮明度を高めることは、コンピュータービジョンアプリケーションにとって非常に重要です。現実世界の霞の根拠となる画像がないため、合成データセットが必要となりますが、合成データセットには多様な霞の種類が含まれていないことが多く、効果的な霞の種類の分類と霞除去アルゴリズムの選択を妨げています。本研究では、霞の種類の分類による霞除去の強化を目的とした、200万枚以上の画像のコレクションであるHazeSpace2Mデータセットを紹介します。HazeSpace2Mには、霧、雲、環境霞（EH）を含む、10段階の霞の強度レベルの多様なシーンが含まれています。本データセットを用いて、霞の種類を分類し、特殊な霞除去アルゴリズムを用いて霞の画像を鮮明にする手法を紹介します。従来の方法とは異なり、このアプローチでは、種類別に霞除去を適用する前に霞の種類を分類することで、現実世界の霞の画像の鮮明度を向上させています。最先端（SOTA）モデルであるResNet50とAlexNetを用いたベンチマークでは、既存の合成データセットに対してそれぞれ92.75％と92.50％の精度を達成しました。しかし、これらのモデルは、実際の霞のテストセット（RHT）に対してはそれぞれ80％と70％の精度しか達成しておらず、HazeSpace2Mデータセットの難しさが浮き彫りになりました。追加実験では、霞の種類の分類とそれに続く特殊な霞除去により、一般的な霞除去装置と比較して、PSNRで2.41％、SSIMで17.14％、MSEで10.2％、結果が向上することが示されました。さらに、SOTA霞除去モデルでテストしたところ、提案するフレームワークを適用することで、パフォーマンスが大幅に向上することがわかりました。これらの結果は、マルチメディア処理における大気中の霞に対処する上で、HazeSpace2Mと提案するフレームワークが重要であることを示しています。完全なコードとデータセットは、\href{https://github.com/tanvirnwu/HazeSpace2M}{\textcolor{blue}{\textbf{GitHub}}}で入手できます。

fulfulggg commented 1 month ago

@yukihiko-fuyuki が以下のラベルを提案し、適用しました：

fulfulggg commented 1 month ago

論文要約

HazeSpace2M: かすみを考慮した単一画像のデヘイズのためのデータセット 論文要約

背景

HazeSpace2Mデータセットの特徴

HazeSpace2Mデータセットを用いた新しいかすみ除去手法

  1. かすみ種類の分類: 入力画像のかすみ種類を識別
  2. 種類に応じたかすみ除去: 分類結果に基づき、適切なアルゴリズムでかすみを除去

結果

結論

ポイント