論文の概要: Prompt to Restore, Restore to Prompt: Cyclic Prompting for Universal Adverse Weather Removal
- arxiv url: http://arxiv.org/abs/2503.09013v1
- Date: Wed, 12 Mar 2025 03:03:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-13 15:39:24.397701
- Title: Prompt to Restore, Restore to Prompt: Cyclic Prompting for Universal Adverse Weather Removal
- Title（参考訳）: Prompt, restore, restore to Prompt: Cyclic Prompting for Universal Adverse Weatherectomy
- Authors: Rongxin Liao, Feng Li, Yanyan Wei, Zenglin Shi, Le Zhang, Huihui Bai, Meng Wang,
- Abstract要約: 普遍的悪天候除去(UAWR)は、統合された枠組みの中で様々な気象劣化に対処しようとするものである。
近年の手法は、事前学習された視覚言語モデル(例えば、CLIP)を用いた即時学習にインスパイアされている。
本稿では,UAWRの有効性,適応性,一般化性の向上を目的とした,革新的なサイクリックプロンプト手法であるCyclicPromptを提案する。
- 参考スコア（独自算出の注目度）: 19.896064731182985
- License:
- Abstract: Universal adverse weather removal (UAWR) seeks to address various weather degradations within a unified framework. Recent methods are inspired by prompt learning using pre-trained vision-language models (e.g., CLIP), leveraging degradation-aware prompts to facilitate weather-free image restoration, yielding significant improvements. In this work, we propose CyclicPrompt, an innovative cyclic prompt approach designed to enhance the effectiveness, adaptability, and generalizability of UAWR. CyclicPrompt Comprises two key components: 1) a composite context prompt that integrates weather-related information and context-aware representations into the network to guide restoration. This prompt differs from previous methods by marrying learnable input-conditional vectors with weather-specific knowledge, thereby improving adaptability across various degradations. 2) The erase-and-paste mechanism, after the initial guided restoration, substitutes weather-specific knowledge with constrained restoration priors, inducing high-quality weather-free concepts into the composite prompt to further fine-tune the restoration process. Therefore, we can form a cyclic "Prompt-Restore-Prompt" pipeline that adeptly harnesses weather-specific knowledge, textual contexts, and reliable textures. Extensive experiments on synthetic and real-world datasets validate the superior performance of CyclicPrompt. The code is available at: https://github.com/RongxinL/CyclicPrompt.
- Abstract（参考訳）: 普遍的悪天候除去(UAWR)は、統合された枠組みの中で様々な気象劣化に対処しようとするものである。
近年の手法は、事前学習された視覚言語モデル(例えばCLIP)による迅速な学習にインスパイアされ、劣化認識プロンプトを活用して、気象のない画像復元を容易にし、大幅な改善をもたらす。
本稿では,UAWRの有効性,適応性,一般化性の向上を目的とした,革新的なサイクリックプロンプト手法であるCyclicPromptを提案する。
CyclicPromptは2つの重要なコンポーネントから構成される。
1) 気象関連情報とコンテキスト認識表現をネットワークに組み込んだ複合的コンテキストプロンプトにより復元を誘導する。
このプロンプトは、学習可能な入力条件ベクトルと気象に関する知識を結合することにより、様々な劣化に対する適応性を向上させることによって、従来の方法と異なる。
2) 消毒・鎮痛機構は, 初期ガイド付き修復後, 気象固有の知識を制約付き復元先と置換し, 高品質な気象条件のない概念を複合プロンプトに誘導し, 修復プロセスをさらに微調整する。
したがって、天気に関する知識やテクスチャ、信頼性の高いテクスチャを十分に活用する循環型"Prompt-Restore-Prompt"パイプラインを構築できる。
合成および実世界のデータセットに関する大規模な実験は、CyclicPromptの優れた性能を検証する。
コードはhttps://github.com/RongxinL/CyclicPrompt.comで公開されている。
関連論文リスト
- MWFormer: Multi-Weather Image Restoration Using Degradation-Aware Transformers [44.600209414790854]
悪天候下で撮影された画像の復元は、多くのコンピュータビジョンアプリケーションにとって基本的な課題である。
本稿では,マルチウェザー変換器 (MWFormer) を提案する。
MWFormerは,既存の最先端手法と比較して,大幅な性能向上を実現していることを示す。
論文 参考訳（メタデータ） (2024-11-26T08:47:39Z) - Teaching Tailored to Talent: Adverse Weather Restoration via Prompt Pool and Depth-Anything Constraint [15.733168323227174]
予測不能な気象入力を処理するために,新しいパイプラインT3-DiffWeatherを導入する。
我々は、サブプロンプトを自律的に組み合わせて天気予報を構築するプロンプトプールを採用している。
提案手法は,様々な合成および実世界のデータセットにまたがって最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-09-24T04:46:18Z) - AWRaCLe: All-Weather Image Restoration using Visual In-Context Learning [29.309503214127016]
悪天候下でのオールウェザー画像復元(AWIR)は、様々な種類の劣化が存在するため難しい課題である。
AWRaCLeは,分解特異的な視覚的コンテキスト情報を革新的に活用し,画像復元プロセスのステアリングを行う,AWIRの新しいアプローチである。
AWRaCLeにはDCE(Degradation Context extract)とCF(Context Fusion)が組み込まれている。
論文 参考訳（メタデータ） (2024-08-30T21:35:25Z) - Continual All-in-One Adverse Weather Removal with Knowledge Replay on a
Unified Network Structure [92.8834309803903]
現実の応用では、悪天候による画像の劣化は常に複雑で、日や季節によって異なる気象条件で変化する。
我々は,ネットワーク構造を統一した上で,効果的な知識再生(KR)を実現するための新しい連続学習フレームワークを開発した。
連続学習における複数の退化を伴う画像復元作業の特徴を考察し、異なる退化に関する知識を共有・蓄積することができる。
論文 参考訳（メタデータ） (2024-03-12T03:50:57Z) - SPIRE: Semantic Prompt-Driven Image Restoration [66.26165625929747]
セマンティック・復元型画像復元フレームワークであるSPIREを開発した。
本手法は,復元強度の量的仕様を言語ベースで記述することで,より詳細な指導を支援する最初のフレームワークである。
本実験は, SPIREの修復性能が, 現状と比較して優れていることを示すものである。
論文 参考訳（メタデータ） (2023-12-18T17:02:30Z) - Decoupling Degradation and Content Processing for Adverse Weather Image
Restoration [79.59228846484415]
逆の気象画像復元は、雨、干し草、雪などの様々な気象の影響を受ける人々から、鮮明なイメージを復元する試みである。
従来の手法では、1つのネットワーク内で複数の気象タイプを処理できるが、これら2つのプロセス間の決定的な区別を無視し、復元された画像の品質を制限している。
本研究は,DDCNetと呼ばれる新しい悪天候画像復元手法を導入し,チャネル統計に基づく特徴レベルの劣化除去とコンテンツ復元を分離する。
論文 参考訳（メタデータ） (2023-12-08T12:26:38Z) - Language-driven All-in-one Adverse Weather Removal [11.47695460133523]
All-in-one (AiO)フレームワークは、1組のネットワークで様々な悪天候の悪化を修復する。
既存の方法は、通常現実世界のアプリケーションでは知られていない余分な監視信号に依存している。
上記の問題を緩和するLDR(Language-driven Restoration framework)を提案する。
論文 参考訳（メタデータ） (2023-12-03T13:05:54Z) - PromptIR: Prompting for All-in-One Blind Image Restoration [64.02374293256001]
我々は、オールインワン画像復元のためのプロンプトIR(PromptIR)を提案する。
本手法では, 劣化特異的情報をエンコードするプロンプトを用いて, 復元ネットワークを動的に案内する。
PromptIRは、軽量なプロンプトがほとんどない汎用的で効率的なプラグインモジュールを提供する。
論文 参考訳（メタデータ） (2023-06-22T17:59:52Z) - Exploring the Application of Large-scale Pre-trained Models on Adverse
Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。
このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文 参考訳（メタデータ） (2023-06-15T10:06:13Z) - Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳（メタデータ） (2022-04-23T01:30:47Z)
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。