Learning to restore images degraded by atmospheric turbulence using uncertainty

要約

大気の乱気流は、大気の屈折率に空間的および時間的にランダムな変動を引き起こすことにより、長距離イメージングシステムによって取得された画像の品質を大幅に低下させる可能性があります。
屈折率の変動により、キャプチャされた画像が幾何学的に歪んでぼやけます。
したがって、大気の乱気流によって引き起こされる画像の視覚的な劣化を補正することが重要です。
この論文では、大気の乱流によって劣化した単一の画像を再ストリング化するための深層学習ベースのアプローチを提案します。
モンテカルロドロップアウトに基づく認識論的不確実性を利用して、ネットワークの復元に苦労している画像内の領域をキャプチャします。
次に、推定された不確実性マップを使用して、復元された画像を取得するようにネットワークを誘導します。
提案された作品の重要性を示すために、合成画像と実像で広範な実験が行われます。
コードはhttps://github.com/rajeevyasarla/AT-Netで入手できます。

要約(オリジナル)

Atmospheric turbulence can significantly degrade the quality of images acquired by long-range imaging systems by causing spatially and temporally random fluctuations in the index of refraction of the atmosphere. Variations in the refractive index causes the captured images to be geometrically distorted and blurry. Hence, it is important to compensate for the visual degradation in images caused by atmospheric turbulence. In this paper, we propose a deep learning-based approach for restring a single image degraded by atmospheric turbulence. We make use of the epistemic uncertainty based on Monte Carlo dropouts to capture regions in the image where the network is having hard time restoring. The estimated uncertainty maps are then used to guide the network to obtain the restored image. Extensive experiments are conducted on synthetic and real images to show the significance of the proposed work. Code is available at : https://github.com/rajeevyasarla/AT-Net

arxiv情報

提供元, 利用サービス

arxiv.jp, Google