論文の概要: A Synthetic-to-Real Dehazing Method based on Domain Unification

• arxiv url: http://arxiv.org/abs/2509.05374v1
• Date: Thu, 04 Sep 2025 11:39:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.473341
• Title: A Synthetic-to-Real Dehazing Method based on Domain Unification
• Title（参考訳）: ドメインの統一に基づく合成から現実への脱ヘイズ手法
• Authors: Zhiqiang Yuan, Jinchao Zhang, Jie Zhou,
• Abstract要約: 分布変化により,実世界の画像に適用した場合,深層学習に基づく画像復調法の性能が悪影響を及ぼす。 本稿では, クリーンなデータの完全収集から, 実際のドメインと合成ドメイン間のデハージング作業のずれが生じる可能性があることを明らかにする。 そこで本研究では,合成ドメインと合成ドメインの関係を統一する,ドメイン統一に基づく合成から現実への脱ヘイズ手法を提案する。
• 参考スコア（独自算出の注目度）: 24.81026629589734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to distribution shift, the performance of deep learning-based method for image dehazing is adversely affected when applied to real-world hazy images. In this paper, we find that such deviation in dehazing task between real and synthetic domains may come from the imperfect collection of clean data. Owing to the complexity of the scene and the effect of depth, the collected clean data cannot strictly meet the ideal conditions, which makes the atmospheric physics model in the real domain inconsistent with that in the synthetic domain. For this reason, we come up with a synthetic-to-real dehazing method based on domain unification, which attempts to unify the relationship between the real and synthetic domain, thus to let the dehazing model more in line with the actual situation. Extensive experiments qualitatively and quantitatively demonstrate that the proposed dehazing method significantly outperforms state-of-the-art methods on real-world images.
• Abstract（参考訳）: 分布シフトにより,実世界のハズ画像に適用した場合,深層学習に基づく画像デハズ法の性能に悪影響を及ぼす。 本稿では, クリーンなデータの完全収集から, 実際のドメインと合成ドメイン間のデハージング作業のずれが生じる可能性があることを明らかにする。 シーンの複雑さと深度の影響により、収集されたクリーンデータは理想的条件を厳密に満たすことができないため、実際の領域の大気物理モデルは合成領域のそれと矛盾する。 そこで本研究では, 実領域と合成領域の関係を統一し, 実際の状況に合わせたデハジングモデルを実現するための, ドメイン統一に基づくデハジング手法を提案する。 広汎な実験により,提案手法が実世界の画像における最先端の手法よりも著しく優れていることを示す。

関連論文リスト

• Bounding Box-Guided Diffusion for Synthesizing Industrial Images and Segmentation Map [50.21082069320818]
  最小限の監督で高忠実度産業データセットを生成するための拡散型パイプラインを提案する。 提案手法では, 拡張有界箱表現の拡散モデルを用いて, 正確なセグメンテーションマスクを生成する。 その結果、拡散に基づく合成は、人工的な産業データと実世界の産業データとのギャップを埋めることを示した。
  論文  参考訳（メタデータ） (2025-05-06T15:21:36Z)
• Physics-Guided Image Dehazing Diffusion [35.93081248202844]
  合成データセットでトレーニングされた現在のデータ駆動型デハージングアルゴリズムは、合成データでうまく機能するが、現実のシナリオに一般化するのに苦労する。 textbfImage textbfDehazing textbfDiffusion textbfModels (IDDM) を提案する。
  論文  参考訳（メタデータ） (2025-04-30T07:36:10Z)
• CoA: Towards Real Image Dehazing via Compression-and-Adaptation [25.615037000420834]
  学習に基づく画像復調アルゴリズムは、合成ドメインにおいて顕著な成功を収めている。 実際の画像のデハジングは、計算資源の制約と現実世界のシーンの多様性のために、まだサスペンス状態にある。 本研究は,これらの課題に対処するために,圧縮適応(CoA)計算フローを提案する。
  論文  参考訳（メタデータ） (2025-04-08T00:56:33Z)
• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• Rethinking Blur Synthesis for Deep Real-World Image Deblurring [4.00114307523959]
  本稿では,撮影過程をシミュレートする,新しいリアルなボケ合成パイプラインを提案する。 機能領域における非局所的依存関係と局所的コンテキストを同時にキャプチャする効果的なデブロアリングモデルを開発する。 3つの実世界のデータセットに関する総合的な実験により、提案したデブロアリングモデルは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-09-28T06:50:16Z)
• Content Disentanglement for Semantically Consistent Synthetic-to-RealDomain Adaptation in Urban Traffic Scenes [39.38387505091648]
  合成データ生成は、自動運転における新しい交通シナリオを生成する魅力的なアプローチです。 合成データだけで訓練されたディープラーニング技術は、実際のデータでテストされたときに劇的なパフォーマンス低下に遭遇します。 本稿では,合成データと実データの間で意味的に一貫性のあるドメイン適応を実現する,教師なしのエンドツーエンドドメイン適応ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-05-18T17:42:26Z)
• Progressive residual learning for single image dehazing [57.651704852274825]
  物理モデルフリーなデハジングプロセスと, 再構成された散乱モデルに基づくデハジング操作を組み合わせるために, 漸進的残留学習戦略が提案されている。 提案手法は,公開デヘイジングベンチマークにおける最先端手法に対して,複雑なデータに対するモデル解釈性と適応性に優れる。
  論文  参考訳（メタデータ） (2021-03-14T16:54:44Z)
• Domain Decluttering: Simplifying Images to Mitigate Synthetic-Real Domain Shift and Improve Depth Estimation [16.153683223016973]
  本研究では,実際の画像における領域外領域の特定と削除を学習するアテンションモジュールを開発する。 削除された領域を視覚化することで、合成と実際のドメインギャップに関する解釈可能な洞察が得られる。
  論文  参考訳（メタデータ） (2020-02-27T14:28:56Z)

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。