論文の概要: DFDNet: Dynamic Frequency-Guided De-Flare Network

• arxiv url: http://arxiv.org/abs/2507.17489v1
• Date: Wed, 23 Jul 2025 13:14:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:15.008901
• Title: DFDNet: Dynamic Frequency-Guided De-Flare Network
• Title（参考訳）: DFDNet:動的周波数誘導脱フレアネットワーク
• Authors: Minglong Xue, Aoxiang Ning, Shivakumara Palaiahnakote, Mingliang Zhou,
• Abstract要約: 本稿では,周波数領域内のフレアアーティファクトからコンテンツ情報を分離する動的周波数誘導型フレアネットワーク(DFDNet)を提案する。 実験結果から,提案手法は既存の最先端手法よりも性能的に優れていることが示された。
• 参考スコア（独自算出の注目度）: 8.713784455593778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Strong light sources in nighttime photography frequently produce flares in images, significantly degrading visual quality and impacting the performance of downstream tasks. While some progress has been made, existing methods continue to struggle with removing large-scale flare artifacts and repairing structural damage in regions near the light source. We observe that these challenging flare artifacts exhibit more significant discrepancies from the reference images in the frequency domain compared to the spatial domain. Therefore, this paper presents a novel dynamic frequency-guided deflare network (DFDNet) that decouples content information from flare artifacts in the frequency domain, effectively removing large-scale flare artifacts. Specifically, DFDNet consists mainly of a global dynamic frequency-domain guidance (GDFG) module and a local detail guidance module (LDGM). The GDFG module guides the network to perceive the frequency characteristics of flare artifacts by dynamically optimizing global frequency domain features, effectively separating flare information from content information. Additionally, we design an LDGM via a contrastive learning strategy that aligns the local features of the light source with the reference image, reduces local detail damage from flare removal, and improves fine-grained image restoration. The experimental results demonstrate that the proposed method outperforms existing state-of-the-art methods in terms of performance. The code is available at \href{https://github.com/AXNing/DFDNet}{https://github.com/AXNing/DFDNet}.
• Abstract（参考訳）: 夜間撮影における強い光源は、しばしば画像のフレアを発生させ、視覚的品質を著しく低下させ、下流のタスクのパフォーマンスに影響を及ぼす。 いくつかの進展はあったが、既存の方法では、大規模なフレア・アーティファクトを除去し、光源付近の領域で構造的な損傷を修復し続けている。 これらの挑戦的なフレアアーティファクトは、周波数領域の基準画像と空間領域との相違点がより大きいことが観察された。 そこで本稿では,周波数領域内のフレアアーティファクトからコンテンツ情報を分離し,大規模フレアアーティファクトを効果的に除去する動的周波数誘導型デフレネットワーク(DFDNet)を提案する。 具体的には、DFDNetは主にグローバルダイナミック周波数ドメインガイダンス(GDFG)モジュールとローカルディテールガイダンス(LDGM)モジュールから構成される。 GDFGモジュールは、グローバル周波数領域の特徴を動的に最適化し、フレア情報をコンテンツ情報から効果的に分離することにより、フレアアーティファクトの周波数特性を知覚するようにネットワークを誘導する。 さらに,光源の局所的特徴を基準画像と整合させ,フレア除去による局所的詳細損傷を低減し,きめ細かい画像復元を改善するコントラスト学習戦略を用いてLDGMを設計する。 実験結果から,提案手法は既存の最先端手法よりも性能的に優れていることが示された。 コードは \href{https://github.com/AXNing/DFDNet}{https://github.com/AXNing/DFDNet} で公開されている。

関連論文リスト

• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• Freqformer: Image-Demoiréing Transformer via Efficient Frequency Decomposition [83.40450475728792]
  本稿では,Freqformerについて述べる。Freqformerは,ターゲット周波数分離による画像復号化に特化して設計されたトランスフォーマーベースのフレームワークである。 本手法は,モワールパターンを高周波数空間局在化テクスチャと低周波数スケールローバスト色歪みに明確に分割する有効な周波数分解を行う。 様々なデモアのベンチマーク実験により、Freqformerは、コンパクトなモデルサイズで最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-25T12:23:10Z)
• FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
  本稿では,潜時拡散モデルにおける周波数制御について検討する。 本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
  論文  参考訳（メタデータ） (2025-04-02T22:03:11Z)
• Integrating Spatial and Frequency Information for Under-Display Camera Image Restoration [5.696863540133448]
  Under-Display Camera (UDC) はデジタルカメラのレンズをディスプレイパネルの下に収納する。 UDCはノイズ、ブラー、透過率の低下、フレアなどの複雑な劣化を導入する。 UDC歪み画像の復元のために,SFIMと呼ばれる新しいマルチレベルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-01-30T17:30:00Z)
• MFDNet: Multi-Frequency Deflare Network for Efficient Nighttime Flare Removal [39.70102431268123]
  ラプラシアンピラミッドに基づくMFDNet(MFDNet)を提案する。 我々のネットワークは、フレア崩壊した画像を低周波帯と高周波帯に分解し、画像内の照明と内容情報を効果的に分離する。 実験により,本手法は実空間および合成画像の夜間フレア除去において,最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-26T05:31:36Z)
• Misalignment-Robust Frequency Distribution Loss for Image Transformation [51.0462138717502]
  本稿では,画像強調や超解像といった深層学習に基づく画像変換手法における共通の課題に対処することを目的とする。 本稿では、周波数領域内における分布距離を計算するための、新しいシンプルな周波数分布損失(FDL)を提案する。 本手法は,周波数領域におけるグローバル情報の思慮深い活用により,トレーニング制約として実証的に有効であることが実証された。
  論文  参考訳（メタデータ） (2024-02-28T09:27:41Z)
• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• DPFNet: A Dual-branch Dilated Network with Phase-aware Fourier Convolution for Low-light Image Enhancement [1.2645663389012574]
  低照度画像の高精細化は、低照度画像から通常の露光画像を復元することを目的とした古典的なコンピュータビジョン問題である。 この分野でよく使われる畳み込みニューラルネットワークは、空間領域の低周波局所構造の特徴をサンプリングするのに長けている。 周波数位相のセマンティクスの制約の下で高品質なテクスチャの詳細を復元できるフーリエ係数を用いた新しいモジュールを提案する。
  論文  参考訳（メタデータ） (2022-09-16T13:56:09Z)
• Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
  光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。 本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。 低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
  論文  参考訳（メタデータ） (2021-08-03T12:26:33Z)

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。