論文の概要: PHATNet: A Physics-guided Haze Transfer Network for Domain-adaptive Real-world Image Dehazing

• arxiv url: http://arxiv.org/abs/2507.14826v1
• Date: Sun, 20 Jul 2025 05:26:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.077547
• Title: PHATNet: A Physics-guided Haze Transfer Network for Domain-adaptive Real-world Image Dehazing
• Title（参考訳）: PHATNet: 領域適応型実世界の画像デハジングのための物理誘導型ヘイズ転送ネットワーク
• Authors: Fu-Jen Tsai, Yan-Tsung Peng, Yen-Yu Lin, Chia-Wen Lin,
• Abstract要約: これまでの研究では、現実のシナリオにおけるデハズモデルのパフォーマンスを改善するために、現実のハズフリーイメージとヘイズフリーイメージのペアが集められていた。 この課題は、テスト中の脱ハージング性能を高めるための柔軟なドメイン適応手法の開発を動機付けます。 本研究では、未知のターゲットドメインからソースドメインのない画像へヘイズパターンを転送する物理誘導型ヘイズ転送ネットワーク(PHATNet)を提案する。
• 参考スコア（独自算出の注目度）: 45.78830437593351
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image dehazing aims to remove unwanted hazy artifacts in images. Although previous research has collected paired real-world hazy and haze-free images to improve dehazing models' performance in real-world scenarios, these models often experience significant performance drops when handling unseen real-world hazy images due to limited training data. This issue motivates us to develop a flexible domain adaptation method to enhance dehazing performance during testing. Observing that predicting haze patterns is generally easier than recovering clean content, we propose the Physics-guided Haze Transfer Network (PHATNet) which transfers haze patterns from unseen target domains to source-domain haze-free images, creating domain-specific fine-tuning sets to update dehazing models for effective domain adaptation. Additionally, we introduce a Haze-Transfer-Consistency loss and a Content-Leakage Loss to enhance PHATNet's disentanglement ability. Experimental results demonstrate that PHATNet significantly boosts state-of-the-art dehazing models on benchmark real-world image dehazing datasets.
• Abstract（参考訳）: Image Dehazingは、画像に不要な有害なアーティファクトを取り除くことを目的としている。 これまでの研究では、現実のシナリオにおけるデハージングモデルのパフォーマンスを改善するために、現実のハジーとヘイズフリーの2つの画像を集めてきたが、これらのモデルは、限られたトレーニングデータにより、目に見えない現実のハジーイメージを扱う際に、大きなパフォーマンス低下を経験することが多い。 この課題は、テスト中の脱ハージング性能を高めるための柔軟なドメイン適応手法の開発を動機付けます。 そこで本研究では,未確認のターゲットドメインからソースドメインフリーの画像にヘイズパターンを転送する物理誘導型ヘイズ転送ネットワーク(PHATNet)を提案し,ドメイン固有の微調整セットを作成し,効果的なドメイン適応のためのデハズモデルを更新する。 さらに,Hze-Transfer-Consistency LossとContent-Leakage Lossを導入し,PHATNetのアンタングル化能力を向上させる。 実験により、PHATNetは、ベンチマーク実世界の画像デハージングデータセットにおける最先端のデハージングモデルを大幅に向上することが示された。

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)
• 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)
• PANet: A Physics-guided Parametric Augmentation Net for Image Dehazing by Hazing [33.39324790342096]
  合成ヘイズ画像と実世界のヘイズ画像のドメインギャップは、現実的な環境でのデハージング性能を低下させる。 本研究では,光実写とクリーンなトレーニングペアを生成する物理誘導パラメトリック拡張ネットワーク(PANet)を提案する。 実験の結果,PANetは多様なリアルなハジーイメージを増強し,既存のハジーイメージベンチマークを拡張できることが示された。
  論文  参考訳（メタデータ） (2024-04-14T14:24:13Z)
• Source-Free Domain Adaptation for Real-world Image Dehazing [10.26945164141663]
  本稿では,SFUDA(Source-Free Unsupervised Domain Adaptation)画像デハージングパラダイムを提案する。 ドメイン表現正規化(DRN)モジュールを考案し、実際のハジードメイン特徴の表現を合成ドメインの表現と一致させる。 プラグアンドプレイのDRNモジュールを使えば、ラベルのない実画像は、既存のよく訓練されたソースネットワークに適応できる。
  論文  参考訳（メタデータ） (2022-07-14T03:37:25Z)
• Mutual Learning for Domain Adaptation: Self-distillation Image Dehazing Network with Sample-cycle [7.452382358080454]
  ドメイン適応のための相互学習脱ハージングフレームワークを提案する。 具体的には、まず、合成ドメインの教師ネットワークと、実ドメインの学生ネットワークの2つのシアムネットワークを考案する。 この枠組みは, 主観的, 客観的評価の観点から, 最先端の脱ハージング技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-17T16:32:14Z)
• Domain Adaptation for Image Dehazing [72.15994735131835]
  既存のほとんどの方法は、合成ヘイズ画像のデハージングモデルを訓練するが、ドメインシフトによる実際のヘイズ画像の一般化は困難である。 画像変換モジュールと2つの画像デハージングモジュールからなるドメイン適応パラダイムを提案する。 実世界の合成画像と実世界の画像の両方で実験結果から,我々のモデルは最先端の脱ハージングアルゴリズムに対して好適に機能することが示された。
  論文  参考訳（メタデータ） (2020-05-10T13:54:56Z)
• 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。