論文の概要: A PDE-Based Image Dehazing Method via Atmospheric Scattering Theory
- arxiv url: http://arxiv.org/abs/2506.08793v1
- Date: Tue, 10 Jun 2025 13:43:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-11 15:11:42.558863
- Title: A PDE-Based Image Dehazing Method via Atmospheric Scattering Theory
- Title（参考訳）: 大気散乱理論によるPDEに基づく画像デハージング法
- Authors: Zhuoran Zheng,
- Abstract要約: 本稿では, 単像脱ハージングのための新しい偏微分方程式(PDE)フレームワークを提案する。
大気散乱モデルと非局所正則化とダークチャネルを併用することにより,改良されたPDEを提案する。
- 参考スコア（独自算出の注目度）: 2.17172315573773
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a novel partial differential equation (PDE) framework for single-image dehazing. By integrating the atmospheric scattering model with nonlocal regularization and dark channel prior, we propose the improved PDE: \[ -\text{div}\left(D(\nabla u)\nabla u\right) + \lambda(t) G(u) = \Phi(I,t,A) \] where $D(\nabla u) = (|\nabla u| + \epsilon)^{-1}$ is the edge-preserving diffusion coefficient, $G(u)$ is the Gaussian convolution operator, and $\lambda(t)$ is the adaptive regularization parameter based on transmission map $t$. We prove the existence and uniqueness of weak solutions in $H_0^1(\Omega)$ using Lax-Milgram theorem, and implement an efficient fixed-point iteration scheme accelerated by PyTorch GPU computation. The experimental results demonstrate that this method is a promising deghazing solution that can be generalized to the deep model paradigm.
- Abstract（参考訳）: 本稿では, 単像脱ハージングのための新しい偏微分方程式(PDE)フレームワークを提案する。
大気散乱モデルと非局所正規化とダークチャネルを前もって統合することにより、改良されたPDE: \[-\text{div}\left(D(\nabla))を提案する。
u)\nabla u\right) + \lambda
(t)G
(u) = \Phi(I,t,A) \]$D(\nabla)
u) = (|\nabla u| + \epsilon)^{-1}$は、エッジ保存拡散係数、$Gである。
(u)$はガウスの畳み込み演算子で$\lambda
(t)$は、送信マップ$t$に基づく適応正規化パラメータである。
我々は、Lax-Milgram定理を用いて、弱解の存在と一意性を$H_0^1(\Omega)$で証明し、PyTorch GPU計算によって加速される効率的な固定点反復スキームを実装した。
実験により,本手法は深層モデルパラダイムに一般化できる有望なデガジン解であることが示された。
関連論文リスト
- Conditioning diffusion models by explicit forward-backward bridging [18.358369507787742]
ジョイントモデル $pi(x, y)$ を対象とする非条件拡散モデルが与えられた場合、条件付きシミュレーション $pi(x mid y)$ を実行するためにそれを使うというのは、いまだに未解決の問題である。
本研究では,部分的なSDEブリッジに対応する拡張空間上の推論問題として,近近性拡散モデル内でのEmphexact条件付きシミュレーションを表現する。
論文 参考訳（メタデータ） (2024-05-22T16:17:03Z) - Minimax Optimality of Score-based Diffusion Models: Beyond the Density Lower Bound Assumptions [11.222970035173372]
カーネルベースのスコア推定器は$widetildeOleft(n-1 t-fracd+22(tfracd2 vee 1)rightの最適平均二乗誤差を達成する
核を用いたスコア推定器は,拡散モデルで生成した試料の分布の総変動誤差に対して,極小ガウスの下での最大平均2乗誤差を$widetildeOleft(n-1/2 t-fracd4right)$上界で達成することを示す。
論文 参考訳（メタデータ） (2024-02-23T20:51:31Z) - Efficient Sampling of Stochastic Differential Equations with Positive
Semi-Definite Models [91.22420505636006]
本稿では, ドリフト関数と拡散行列を考慮し, 微分方程式からの効率的なサンプリング問題を扱う。
1/varepsilonは$m2d log (1/varepsilon)$である。
以上の結果から,真の解がより滑らかになるにつれて,どのような凸性も必要とせず,次元の呪いを回避できることが示唆された。
論文 参考訳（メタデータ） (2023-03-30T02:50:49Z) - Optimal Gradient Sliding and its Application to Distributed Optimization
Under Similarity [121.83085611327654]
積 $r:=p + q$, ここで$r$は$mu$-strong convex類似性である。
エージェントの通信やローカルコールにマスターされた問題を解決する方法を提案する。
提案手法は$mathcalO(sqrtL_q/mu)$法よりもはるかにシャープである。
論文 参考訳（メタデータ） (2022-05-30T14:28:02Z) - A first-order primal-dual method with adaptivity to local smoothness [64.62056765216386]
凸凹対象 $min_x max_y f(x) + langle Ax, yrangle - g*(y)$, ここで、$f$ は局所リプシッツ勾配を持つ凸関数であり、$g$ は凸かつ非滑らかである。
主勾配ステップと2段ステップを交互に交互に行うCondat-Vuアルゴリズムの適応バージョンを提案する。
論文 参考訳（メタデータ） (2021-10-28T14:19:30Z) - On the Self-Penalization Phenomenon in Feature Selection [69.16452769334367]
カーネル群に基づく暗黙の空間性誘導機構について述べる。
アプリケーションとしては、この疎結合誘導機構を使用して、特徴選択に一貫性のあるアルゴリズムを構築します。
論文 参考訳（メタデータ） (2021-10-12T09:36:41Z) - Asymptotic Theory of $\ell_1$-Regularized PDE Identification from a
Single Noisy Trajectory [2.0299248281970956]
線形および非線形進化的偏微分方程式(PDE)の一般クラスに対する1つの雑音軌道からの支持回復を証明した。
Local-Polynomialフィルタによって定義される単一の軌道データから、$mathbfc(lambda)のサポートが基礎となるPDEに関連する真の署名サポートに$ally収束することを保証する十分な条件のセットを提供します。
論文 参考訳（メタデータ） (2021-03-12T02:23:04Z) - Linear Time Sinkhorn Divergences using Positive Features [51.50788603386766]
エントロピー正則化で最適な輸送を解くには、ベクトルに繰り返し適用される$ntimes n$ kernel matrixを計算する必要がある。
代わりに、$c(x,y)=-logdotpvarphi(x)varphi(y)$ ここで$varphi$は、地上空間から正のorthant $RRr_+$への写像であり、$rll n$である。
論文 参考訳（メタデータ） (2020-06-12T10:21:40Z)
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。