論文の概要: Dereflection Any Image with Diffusion Priors and Diversified Data

• arxiv url: http://arxiv.org/abs/2503.17347v1
• Date: Fri, 21 Mar 2025 17:48:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:56:27.053097
• Title: Dereflection Any Image with Diffusion Priors and Diversified Data
• Title（参考訳）: 拡散プリミティブと分散データによる任意の画像のデフレクション
• Authors: Jichen Hu, Chen Yang, Zanwei Zhou, Jiemin Fang, Xiaokang Yang, Qi Tian, Wei Shen,
• Abstract要約: 本稿では、効率的なデータ準備パイプラインと、頑健な反射除去のための一般化可能なモデルを備えた包括的解を提案する。 まず、ターゲットシーンでランダムに回転する反射媒体によって生成された横反射除去(DRR)というデータセットを紹介する。 第2に、決定論的出力と高速推論のための1ステップ拡散を伴う拡散に基づくフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 86.15504914121226
• License:
• Abstract: Reflection removal of a single image remains a highly challenging task due to the complex entanglement between target scenes and unwanted reflections. Despite significant progress, existing methods are hindered by the scarcity of high-quality, diverse data and insufficient restoration priors, resulting in limited generalization across various real-world scenarios. In this paper, we propose Dereflection Any Image, a comprehensive solution with an efficient data preparation pipeline and a generalizable model for robust reflection removal. First, we introduce a dataset named Diverse Reflection Removal (DRR) created by randomly rotating reflective mediums in target scenes, enabling variation of reflection angles and intensities, and setting a new benchmark in scale, quality, and diversity. Second, we propose a diffusion-based framework with one-step diffusion for deterministic outputs and fast inference. To ensure stable learning, we design a three-stage progressive training strategy, including reflection-invariant finetuning to encourage consistent outputs across varying reflection patterns that characterize our dataset. Extensive experiments show that our method achieves SOTA performance on both common benchmarks and challenging in-the-wild images, showing superior generalization across diverse real-world scenes.
• Abstract（参考訳）: 単一の画像の反射除去は、ターゲットシーンと望ましくない反射との複雑な絡み合いのため、非常に困難な作業である。 大幅な進歩にもかかわらず、既存の手法は、高品質で多様なデータと、修復前の不十分さによって妨げられ、結果として、様々な現実のシナリオにおいて限定的な一般化がもたらされる。 本稿では、効率的なデータ準備パイプラインと、堅牢なリフレクション除去のための一般化可能なモデルを備えた包括的ソリューションであるデフレクション・アニー・イメージを提案する。 まず、ターゲットシーンでランダムに回転する反射媒質を用いて、反射角や強度の変化を可能とし、スケール、品質、多様性の新たなベンチマークを設定することで、DRR(Diverse Reflection removal)というデータセットを導入する。 第2に、決定論的出力と高速推論のための1ステップ拡散を伴う拡散に基づくフレームワークを提案する。 安定した学習を確保するために、データセットを特徴付ける様々なリフレクションパターン間の一貫性のあるアウトプットを促進するために、リフレクション不変の微調整を含む3段階のプログレッシブトレーニング戦略を設計する。 広汎な実験により,本手法は,様々な実世界のシーンにまたがるより優れた一般化を図りながら,共通ベンチマークと課題の画像の両方においてSOTA性能を達成できることが示されている。

関連論文リスト

• Single-image reflection removal via self-supervised diffusion models [2.3838561104233342]
  本稿では,周期整合性と拡散確率モデル(DDPM)を組み合わせたハイブリッド手法を提案する。 実験により,SIR$2のFlashベース反射除去(FRR)データセットと,新たに導入されたMRRデータセットに対する提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-12-29T13:41:33Z)
• FoundIR: Unleashing Million-scale Training Data to Advance Foundation Models for Image Restoration [66.61201445650323]
  既存の手法は現実のシナリオにおける一般化ボトルネックに悩まされる。 既存のトレーニングデータに対して,2つの大きなメリットがある,100万規模のデータセットをコントリビュートしています。 実世界のシナリオにおいて,より広範囲の復元作業に対処するために,ロバストなモデルFoundIRを提案する。
  論文  参考訳（メタデータ） (2024-12-02T12:08:40Z)
• Single Image Reflection Removal with Reflection Intensity Prior Knowledge [14.335849624907611]
  本稿では、反射現象の強度を捉えるための一般的な反射強度を提案する。 画像の領域パッチへの分割により、RPENは画像に先立って一様でない反射を学習する。 本稿では, 単純なトランスフォーマU-Netアーキテクチャを用いて, プリエントベース反射除去ネットワーク(PRRN)を提案する。
  論文  参考訳（メタデータ） (2023-12-06T14:52:11Z)
• Revisiting Single Image Reflection Removal In the Wild [83.42368937164473]
  本研究は,実環境におけるシングルイメージリフレクション除去(SIRR)の問題に焦点をあてる。 我々は,様々な現実世界のリフレクションシナリオに高度に適用可能な,高度なリフレクション収集パイプラインを考案した。 野生での反射除去(RRW)と呼ばれる大規模で高品質な反射データセットを開発する。
  論文  参考訳（メタデータ） (2023-11-29T02:31:10Z)
• Perception-Distortion Trade-off in the SR Space Spanned by Flow Models [21.597478894658263]
  フローベース生成超解法(SR)モデルは、SR空間と呼ばれる、実現可能なSRソリューションの多様なセットを生成することを学ぶ。 本稿では,ランダムなアーチファクトを排除し,知覚品質を著しく損なうことなく忠実さを向上する単一SR画像を得るための,単純だが効果的な画像アンサンブル/融合手法を提案する。
  論文  参考訳（メタデータ） (2022-09-18T13:12:21Z)
• Robust Single Image Dehazing Based on Consistent and Contrast-Assisted Reconstruction [95.5735805072852]
  画像復調モデルのロバスト性を改善するための新しい密度変分学習フレームワークを提案する。 具体的には、デハジングネットワークは、一貫性の規則化されたフレームワークの下で最適化されている。 我々の手法は最先端のアプローチを大きく上回っている。
  論文  参考訳（メタデータ） (2022-03-29T08:11:04Z)
• A Categorized Reflection Removal Dataset with Diverse Real-world Scenes [54.662456878340215]
  我々は、分類され、多様で、現実世界(CDR)に分類された新しい反射除去データセットを構築する。 データセットは様々な環境下で様々なガラスタイプを使用して構築され、多様性が保証される。 現状の反射除去法は, 一般にぼやけた反射に対して良好に機能するが, 他の種類の実世界の反射に対する満足度は得られないことを示す。
  論文  参考訳（メタデータ） (2021-08-07T06:56:57Z)
• ReflectNet -- A Generative Adversarial Method for Single Image Reflection Suppression [0.6980076213134382]
  本稿では,文脈理解モジュールと敵対的学習に基づく単一の画像反射除去手法を提案する。 提案手法は,PSNR と SSIM の観点から,SIR のベンチマークデータセット上で,最先端の手法よりも優れる。
  論文  参考訳（メタデータ） (2021-05-11T17:33:40Z)
• Polarized Reflection Removal with Perfect Alignment in the Wild [66.48211204364142]
  野生の偏光画像からの反射を除去するための新しい定式化法を提案する。 まず、既存のリフレクション除去データセットの不整合問題を同定する。 我々は100種類以上のガラスを用いた新しいデータセットを構築し、得られた透過画像は入力された混合画像と完全に一致している。
  論文  参考訳（メタデータ） (2020-03-28T13:29:31Z)

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。