論文の概要: CoA: Towards Real Image Dehazing via Compression-and-Adaptation

• arxiv url: http://arxiv.org/abs/2504.05590v1
• Date: Tue, 08 Apr 2025 00:56:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:30:00.073328
• Title: CoA: Towards Real Image Dehazing via Compression-and-Adaptation
• Title（参考訳）: CoA: 圧縮と適応によるリアルイメージのデハージングを目指して
• Authors: Long Ma, Yuxin Feng, Yan Zhang, Jinyuan Liu, Weimin Wang, Guang-Yong Chen, Chengpei Xu, Zhuo Su,
• Abstract要約: 学習に基づく画像復調アルゴリズムは、合成ドメインにおいて顕著な成功を収めている。 実際の画像のデハジングは、計算資源の制約と現実世界のシーンの多様性のために、まだサスペンス状態にある。 本研究は,これらの課題に対処するために,圧縮適応(CoA)計算フローを提案する。
• 参考スコア（独自算出の注目度）: 25.615037000420834
• License:
• Abstract: Learning-based image dehazing algorithms have shown remarkable success in synthetic domains. However, real image dehazing is still in suspense due to computational resource constraints and the diversity of real-world scenes. Therefore, there is an urgent need for an algorithm that excels in both efficiency and adaptability to address real image dehazing effectively. This work proposes a Compression-and-Adaptation (CoA) computational flow to tackle these challenges from a divide-and-conquer perspective. First, model compression is performed in the synthetic domain to develop a compact dehazing parameter space, satisfying efficiency demands. Then, a bilevel adaptation in the real domain is introduced to be fearless in unknown real environments by aggregating the synthetic dehazing capabilities during the learning process. Leveraging a succinct design free from additional constraints, our CoA exhibits domain-irrelevant stability and model-agnostic flexibility, effectively bridging the model chasm between synthetic and real domains to further improve its practical utility. Extensive evaluations and analyses underscore the approach's superiority and effectiveness. The code is publicly available at https://github.com/fyxnl/COA.
• Abstract（参考訳）: 学習に基づく画像復調アルゴリズムは、合成ドメインにおいて顕著な成功を収めている。 しかし、実際の画像のデハジングは、計算資源の制約と現実世界のシーンの多様性のため、まだサスペンス状態にある。 したがって、実画像のデハージングを効果的に処理するための効率性と適応性を両立させるアルゴリズムが緊急に必要となる。 本研究は,これらの課題を解決するための圧縮・適応(CoA)計算フローを提案する。 まず、モデル圧縮を合成領域で行い、効率の要求を満たすコンパクトな脱ハージングパラメータ空間を開発する。 そして、学習過程中に合成脱ハザード機能を集約することにより、実領域における二段階適応を未知の実環境において恐れないように導入する。 余分な制約を伴わない簡潔な設計を採用することで、ドメイン非関係の安定性とモデル非依存の柔軟性を示し、モデルシャームを合成ドメインと実ドメインの間で効果的にブリッジし、実用性をさらに向上する。 広範囲な評価と分析は、アプローチの優越性と有効性を強調している。 コードはhttps://github.com/fyxnl/COA.comで公開されている。

関連論文リスト

• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• Efficient Degradation-aware Any Image Restoration [83.92870105933679]
  我々は,低ランク体制下での学習者(DaLe)を用いた効率的なオールインワン画像復元システムである textitDaAIR を提案する。 モデルキャパシティを入力劣化に動的に割り当てることにより、総合学習と特定の学習を統合した効率的な復調器を実現する。
  論文  参考訳（メタデータ） (2024-05-24T11:53:27Z)
• Efficient Imitation Learning with Conservative World Models [54.52140201148341]
  報酬機能のない専門家によるデモンストレーションから政策学習の課題に取り組む。 純粋な強化学習ではなく、微調整問題として模倣学習を再構成する。
  論文  参考訳（メタデータ） (2024-05-21T20:53:18Z)
• Representing Domain-Mixing Optical Degradation for Real-World Computational Aberration Correction via Vector Quantization [17.08845012632751]
  既存の学習に基づく計算収差補正(CAC)手法は、複雑で多面的な合成ドメイン間ギャップに直面している。 我々は、教師なしドメイン適応(UDA)の観点から、現実世界のCACに関する新しい洞察を提供する。 本稿では,QDMR(Quantized Domain-Mixing Representation)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-15T04:35:25Z)
• RIDCP: Revitalizing Real Image Dehazing via High-Quality Codebook Priors [14.432465539590481]
  既存のデハジングアプローチは、ペアの実際のデータと堅牢な事前処理が欠如しているため、現実のハジーなイメージを処理するのに苦労している。 よりリアルなヘイズデータを合成する観点から、実画像のデハジングのための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-08T12:12:24Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• Domain Adaptation of Synthetic Driving Datasets for Real-World Autonomous Driving [0.11470070927586014]
  特定のコンピュータビジョンタスクのための合成データで訓練されたネットワークは、実世界のデータでテストすると大幅に劣化する。 本稿では,このような手法を改良するための新しい手法を提案し,評価する。 本稿では,このペア選択にセマンティック・インスペクションを効果的に組み込む手法を提案し,モデルの性能向上に寄与する。
  論文  参考訳（メタデータ） (2023-02-08T15:51:54Z)
• Toward Fast, Flexible, and Robust Low-Light Image Enhancement [87.27326390675155]
  我々は、現実の低照度シナリオにおいて、高速でフレキシブルで頑健な鮮明化のための新しい自己校正イルミネーション(SCI)学習フレームワークを開発した。 カスケードパターンの計算負担を考慮すると、各ステージの結果の収束を実現する自己校正モジュールを構築する。 我々は,SCI固有の特性について,操作不感適応性やモデル非関係の一般性を含む包括的探索を行う。
  論文  参考訳（メタデータ） (2022-04-21T14:40:32Z)
• Efficient and Degradation-Adaptive Network for Real-World Image Super-Resolution [28.00231586840797]
  実世界の画像超解像(Real-ISR)は、実世界の画像の未知の複雑な劣化のために難しい課題である。 近年のReal-ISRの研究は、画像劣化空間をモデル化することによって大きな進歩を遂げている。 本稿では,各入力画像の劣化を推定してパラメータを適応的に指定する,効率的な劣化適応型超解像ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-27T05:59:13Z)
• Domain Adaptation for Underwater Image Enhancement [51.71570701102219]
  本稿では,ドメイン間およびドメイン内ギャップを最小限に抑えるために,新しい2相水中ドメイン適応ネットワーク(TUDA)を提案する。 第1段階では、入力画像のリアリズムを強化する翻訳部と、拡張部とを含む新しい二重配向ネットワークを設計する。 第2フェーズでは、ランクベースの水中品質評価手法が組み込まれている強化画像の評価品質に応じて、実データを簡単に分類する。
  論文  参考訳（メタデータ） (2021-08-22T06:38:19Z)
• Domain Decluttering: Simplifying Images to Mitigate Synthetic-Real Domain Shift and Improve Depth Estimation [16.153683223016973]
  本研究では,実際の画像における領域外領域の特定と削除を学習するアテンションモジュールを開発する。 削除された領域を視覚化することで、合成と実際のドメインギャップに関する解釈可能な洞察が得られる。
  論文  参考訳（メタデータ） (2020-02-27T14:28:56Z)

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。