論文の概要: When Schrödinger Bridge Meets Real-World Image Dehazing with Unpaired Training

• arxiv url: http://arxiv.org/abs/2507.09524v1
• Date: Sun, 13 Jul 2025 07:39:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:23.45606
• Title: When Schrödinger Bridge Meets Real-World Image Dehazing with Unpaired Training
• Title（参考訳）: シュレーディンガー橋が未完成のトレーニングで現実世界のデハジングに遭遇
• Authors: Yunwei Lan, Zhigao Cui, Xin Luo, Chang Liu, Nian Wang, Menglin Zhang, Yanzhao Su, Dong Liu,
• Abstract要約: 本稿では,Schr"odinger Bridgeをベースとした新しい脱ハージングフレームワークであるDehazeSBを提案する。 最適な輸送(OT)理論を活用することで、DehazeSBはヘイズ画像とクリア画像の分布を直接ブリッジする。 本稿では,ハッシュ入力とデハズド出力の画素レベルのアライメントを強制するディテール保存正規化を提案する。
• 参考スコア（独自算出の注目度）: 11.606495142345477
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in unpaired dehazing, particularly those using GANs, show promising performance in processing real-world hazy images. However, these methods tend to face limitations due to the generator's limited transport mapping capability, which hinders the full exploitation of their effectiveness in unpaired training paradigms. To address these challenges, we propose DehazeSB, a novel unpaired dehazing framework based on the Schr\"odinger Bridge. By leveraging optimal transport (OT) theory, DehazeSB directly bridges the distributions between hazy and clear images. This enables optimal transport mappings from hazy to clear images in fewer steps, thereby generating high-quality results. To ensure the consistency of structural information and details in the restored images, we introduce detail-preserving regularization, which enforces pixel-level alignment between hazy inputs and dehazed outputs. Furthermore, we propose a novel prompt learning to leverage pre-trained CLIP models in distinguishing hazy images and clear ones, by learning a haze-aware vision-language alignment. Extensive experiments on multiple real-world datasets demonstrate our method's superiority. Code: https://github.com/ywxjm/DehazeSB.
• Abstract（参考訳）: 特にGANを用いた非対向デハージングの最近の進歩は、現実のハズイ画像の処理において有望な性能を示している。 しかしながら、これらの手法は、発電機の限られた輸送マッピング能力のために制限に直面する傾向にあり、未経験の訓練パラダイムにおけるそれらの効果のフル活用を妨げる。 これらの課題に対処するために、我々は、Schr\"odinger Bridgeをベースとした、新しいデヘイズフレームワークであるDehazeSBを提案する。 最適な輸送(OT)理論を活用することで、DehazeSBはヘイズ画像とクリア画像の分布を直接ブリッジする。 これにより、より少ないステップで、ヘイズからクリアなイメージへの最適なトランスポートマッピングが可能になり、高品質な結果が生成される。 復元画像における構造情報と詳細の整合性を確保するため,我々は,ハッシュ入力とデハズド出力との間の画素レベルのアライメントを強制する詳細保存正則化を導入する。 さらに,ハゼを意識した視覚言語アライメントを学習することで,事前学習したCLIPモデルを用いて,ヘイズ画像とクリア画像を識別する新しいプロンプト学習を提案する。 複数の実世界のデータセットに対する大規模な実験は、我々の方法の優位性を示している。 コード:https://github.com/ywxjm/DehazeSB。

関連論文リスト

• Learning Unpaired Image Dehazing with Physics-based Rehazy Generation [50.37414006427923]
  合成トレーニングペアへの過度な適合は、イメージデハジングにおいて重要な課題である。 本研究では,非対位画像脱ハージング(Rehazy)の新たなトレーニング戦略を提案し,脱ハージング性能とトレーニング安定性を両立させる。
  論文  参考訳（メタデータ） (2025-06-15T12:12:28Z)
• Learning Hazing to Dehazing: Towards Realistic Haze Generation for Real-World Image Dehazing [59.43187521828543]
  本稿では,現実的なヘイズ画像生成フレームワーク(HazeGen)と拡散に基づくデハズ・フレームワーク(DiffDehaze)からなる,新しいヘイズ・デハズ・パイプラインを紹介する。 HazeGenは、事前訓練されたテキスト-画像拡散モデルに埋め込まれた実世界のハジー画像の堅牢な生成拡散先を利用する。 HazeGenは、特殊なハイブリッドトレーニングと混合サンプリング戦略を採用することで、DiffDehazeの高品質なトレーニングデータとして、現実的で多様なハジーイメージを生成する。
  論文  参考訳（メタデータ） (2025-03-25T01:55:39Z)
• Exploiting Diffusion Prior for Real-World Image Dehazing with Unpaired Training [11.902218695900217]
  未ペアトレーニングは、ぼんやりとした鮮明なイメージから学ぶことによって、現実のデハジングに最も効果的なパラダイムの1つである。 空白画像の生成における拡散モデルの強い生成能力に触発され,実世界のデハジングに先立って拡散を利用する。 本稿では,画像とテキストのモダリティの劣化を除去し,拡散モデルの表現能力を適切に活用するための新たな視点を提案する。
  論文  参考訳（メタデータ） (2025-03-19T09:13:06Z)
• DRACO-DehazeNet: An Efficient Image Dehazing Network Combining Detail Recovery and a Novel Contrastive Learning Paradigm [3.649619954898362]
  我々は,Detail Recovery and Contrastive DehazeNetを開発した。 濃密な拡張反転残差ブロックと、注意に基づく詳細回復ネットワークを介して、効率的で効果的な脱ハジングを提供する。 大きな革新は、新しい四重項損失に基づくコントラストデハージングパラダイムによって達成された、限られたデータで効果的にトレーニングできることである。
  論文  参考訳（メタデータ） (2024-10-18T16:48:31Z)
• WTCL-Dehaze: Rethinking Real-world Image Dehazing via Wavelet Transform and Contrastive Learning [17.129068060454255]
  自律運転や監視といったアプリケーションには、単一イメージのデハジングが不可欠だ。 コントラスト損失と離散ウェーブレット変換を統合した半教師付きデハージングネットワークを提案する。 提案アルゴリズムは,最先端の単一画像復調法と比較して,優れた性能とロバスト性を実現している。
  論文  参考訳（メタデータ） (2024-10-07T05:36:11Z)
• HazeCLIP: Towards Language Guided Real-World Image Dehazing [62.4454483961341]
  既存の手法は、特に合成データセットにおいて、画像のデハージングにおいて顕著な性能を達成した。 本稿では,事前学習型デハジングネットワークの性能向上を目的とした言語誘導適応フレームワークHazeCLIPを紹介する。
  論文  参考訳（メタデータ） (2024-07-18T17:18:25Z)
• UCL-Dehaze: Towards Real-world Image Dehazing via Unsupervised Contrastive Learning [57.40713083410888]
  そこで本稿では, 現実の無作為かつ清潔なイメージを活用するための, 対人訓練によるコントラスト学習について検討する。 UCL-Dehazeと呼ばれる画像復調のための効果的な教師なしコントラスト学習パラダイムを提案する。 我々はUCL-Dehazeを評価するための総合的な実験を行い、最先端技術よりもその優位性を実証する。
  論文  参考訳（メタデータ） (2022-05-04T03:25:13Z)
• Enhancing Low-Light Images in Real World via Cross-Image Disentanglement [58.754943762945864]
  そこで本研究では,現実の汚職とミスアライメントされたトレーニング画像からなる,新しい低照度画像強調データセットを提案する。 本モデルでは,新たに提案したデータセットと,他の一般的な低照度データセットの両方に対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-01-10T03:12:52Z)
• FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing [48.65974971543703]
  画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。 我々のモデルは、より自然でリアルなデハズド画像を生成することができ、色歪みは少なく、アーティファクトも少ない。 実験により, 提案手法は, 公開合成データセットと実世界の画像の両方において, 最先端の性能に達することが示された。
  論文  参考訳（メタデータ） (2020-01-20T04:36:11Z)

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。