論文の概要: Seeing through Unclear Glass: Occlusion Removal with One Shot

• arxiv url: http://arxiv.org/abs/2509.01033v1
• Date: Mon, 01 Sep 2025 00:01:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.51052
• Title: Seeing through Unclear Glass: Occlusion Removal with One Shot
• Title（参考訳）: 透明ガラスを通して見る:1枚のショットによる咬合除去
• Authors: Qiang Li, Yuanming Cao,
• Abstract要約: 単発テスト時間適応機構を利用して,異なるタイプの汚染物質を中和するオールインワンモデルを提案する。 実験の結果,提案手法は最先端の手法よりも定量的に,質的に優れていることがわかった。
• 参考スコア（独自算出の注目度）: 2.6302767942122176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Images taken through window glass are often degraded by contaminants adhered to the glass surfaces. Such contaminants cause occlusions that attenuate the incoming light and scatter stray light towards the camera. Most of existing deep learning methods for neutralizing the effects of contaminated glasses relied on synthetic training data. Few researchers used real degraded and clean image pairs, but they only considered removing or alleviating the effects of rain drops on glasses. This paper is concerned with the more challenging task of learning the restoration of images taken through glasses contaminated by a wide range of occluders, including muddy water, dirt and other small foreign particles found in reality. To facilitate the learning task we have gone to a great length to acquire real paired images with and without glass contaminants. More importantly, we propose an all-in-one model to neutralize contaminants of different types by utilizing the one-shot test-time adaptation mechanism. It involves a self-supervised auxiliary learning task to update the trained model for the unique occlusion type of each test image. Experimental results show that the proposed method outperforms the state-of-the-art methods quantitatively and qualitatively in cleaning realistic contaminated images, especially the unseen ones.
• Abstract（参考訳）: 窓ガラスを通して撮影された画像は、しばしばガラス表面に付着した汚染物質によって劣化する。 このような汚染物質は、入ってくる光を減衰させ、カメラに向かって光を散乱させるオクルージョンを引き起こす。 汚染ガラスの効果を中和する既存の深層学習法のほとんどは、合成トレーニングデータに依存していた。 実際に劣化した画像とクリーンな画像のペアを使っていた研究者はほとんどいませんが、雨滴がメガネに与える影響を除去したり緩和したりすることしか考えませんでした。 本論文は, 泥水, 汚れ, その他の小さな異物を含む, 広範囲の隠蔽者によって汚染された眼鏡による画像の復元について, より困難な課題について考察する。 学習作業を容易にするために,ガラス汚染物質を伴わずとも実対画像を取得するために,我々は非常に長い時間を費やした。 さらに, 単発テスト時間適応機構を利用して, 異なるタイプの汚染物質を中和するオールインワンモデルを提案する。 自動教師付き補助学習タスクによって、各テストイメージのユニークな閉塞タイプに対するトレーニングされたモデルを更新する。 実験結果から, 提案手法は, 実際の汚染画像, 特に目に見えない画像のクリーニングにおいて, 定量的, 質的に, 最先端の手法よりも優れていることがわかった。

関連論文リスト

• LUIEO: A Lightweight Model for Integrating Underwater Image Enhancement and Object Detection [10.572090127928698]
  本稿では,水中画像の強調と検出精度の向上を同時に行うマルチタスク学習手法を提案する。 統合モデルは、情報通信と異なるタスク間の共有を動的に調整することを可能にする。 数値実験により,提案モデルが視覚性能,物体検出精度,検出効率を満足できることを示す。
  論文  参考訳（メタデータ） (2024-12-01T14:01:30Z)
• REF$^2$-NeRF: Reflection and Refraction aware Neural Radiance Field [4.714335699701277]
  本稿では,ガラスケースを含むシーンのNeRFモデリング手法を提案する。 リフレクションとリフレクションは、視聴者の視点に依存して独立な要素を用いてモデル化される。 既存の手法と比較して,ガラス屈折率と全体像のより正確なモデリングが可能である。
  論文  参考訳（メタデータ） (2023-11-28T12:14:22Z)
• Removing Image Artifacts From Scratched Lens Protectors [91.25975649906447]
  モバイルデバイス用のカメラレンズの前にレンズプロテクターを配置し、損傷を避ける。 プロテクター自体は、特にプラスチック製の場合、簡単にひっかくことができる。 2つの協調モジュールを持つ統一フレームワークにおける固有の課題を考察し、相互のパフォーマンス向上を促進する。
  論文  参考訳（メタデータ） (2023-02-11T17:17:27Z)
• A Novel Home-Built Metrology to Analyze Oral Fluid Droplets and Quantify the Efficacy of Masks [0.0]
  このプロジェクトには、セットアップの最適化、データ収集、データ分析、アプリケーションが含まれる。 データ収集中、被験者はまず、摂取可能な蛍光液体(音波水)で口を湿らせて、紫外線の暗い光の下で話す、くしゃみをする。 トニックウォーター滴から発生する蛍光を可視化し、iPhone 8+カメラでスローモ(240fps)で記録し、分析する。
  論文  参考訳（メタデータ） (2022-01-03T19:20:05Z)
• How to Train Neural Networks for Flare Removal [45.51943926089249]
  ニューラルネットワークをトレーニングして、初めてレンズフレアを取り除きます。 我々のデータ合成手法は正確なフレア除去に不可欠である。 我々の技術で訓練されたモデルは、様々なシーン、照明条件、カメラの実際のレンズフレアによく一般化される。
  論文  参考訳（メタデータ） (2020-11-25T02:23:50Z)
• Learning to See Through Obstructions with Layered Decomposition [117.77024641706451]
  移動画像から不要な障害を取り除くための学習に基づくアプローチを提案する。 本手法は背景要素と閉塞要素の運動差を利用して両方の層を復元する。 本研究では,合成データから得られた提案手法が実画像に対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-08-11T17:59:31Z)
• Learning to See Through Obstructions [117.77024641706451]
  本稿では,移動カメラで撮影した短い画像列から不要な障害物を除去するための学習に基づくアプローチを提案する。 本手法は背景要素と障害物要素の運動差を利用して両方の層を復元する。 合成データ転送のトレーニングは実画像に対して良好であることを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:12Z)
• Polarized Reflection Removal with Perfect Alignment in the Wild [66.48211204364142]
  野生の偏光画像からの反射を除去するための新しい定式化法を提案する。 まず、既存のリフレクション除去データセットの不整合問題を同定する。 我々は100種類以上のガラスを用いた新しいデータセットを構築し、得られた透過画像は入力された混合画像と完全に一致している。
  論文  参考訳（メタデータ） (2020-03-28T13:29:31Z)
• Single image reflection removal via learning with multi-image constraints [50.54095311597466]
  本稿では、上記のアプローチの利点を組み合わせ、その欠点を克服する新しい学習ベースソリューションを提案する。 提案アルゴリズムはディープニューラルネットワークを学習して、複数の入力画像間で強化されたジョイント制約でターゲットを最適化する。 我々のアルゴリズムは実画像上でリアルタイムかつ最先端の反射除去性能で動作する。
  論文  参考訳（メタデータ） (2019-12-08T06:10:49Z)

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。