論文の概要: WeatherBench: A Real-World Benchmark Dataset for All-in-One Adverse Weather Image Restoration

• arxiv url: http://arxiv.org/abs/2509.11642v1
• Date: Mon, 15 Sep 2025 07:24:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.181469
• Title: WeatherBench: A Real-World Benchmark Dataset for All-in-One Adverse Weather Image Restoration
• Title（参考訳）: WeatherBench:オールインワンの逆気象画像復元のためのリアルタイムベンチマークデータセット
• Authors: Qiyuan Guan, Qianfeng Yang, Xiang Chen, Tianyu Song, Guiyue Jin, Jiyu Jin,
• Abstract要約: 我々は、実世界のオールインワンの悪天候画像復元ベンチマークデータセットを提示する。 得られたデータセットは、正確に整列された劣化したクリーンなイメージを提供し、教師付き学習と厳密な評価を可能にする。
• 参考スコア（独自算出の注目度）: 8.51826485396107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing all-in-one image restoration approaches, which aim to handle multiple weather degradations within a single framework, are predominantly trained and evaluated using mixed single-weather synthetic datasets. However, these datasets often differ significantly in resolution, style, and domain characteristics, leading to substantial domain gaps that hinder the development and fair evaluation of unified models. Furthermore, the lack of a large-scale, real-world all-in-one weather restoration dataset remains a critical bottleneck in advancing this field. To address these limitations, we present a real-world all-in-one adverse weather image restoration benchmark dataset, which contains image pairs captured under various weather conditions, including rain, snow, and haze, as well as diverse outdoor scenes and illumination settings. The resulting dataset provides precisely aligned degraded and clean images, enabling supervised learning and rigorous evaluation. We conduct comprehensive experiments by benchmarking a variety of task-specific, task-general, and all-in-one restoration methods on our dataset. Our dataset offers a valuable foundation for advancing robust and practical all-in-one image restoration in real-world scenarios. The dataset has been publicly released and is available at https://github.com/guanqiyuan/WeatherBench.
• Abstract（参考訳）: 既存のオールインワン画像復元アプローチは、複数の気象劣化を単一のフレームワーク内で処理することを目的としており、主にシングルウェザー合成データセットを用いて訓練・評価されている。 しかし、これらのデータセットは、しばしば解像度、スタイル、ドメインの特徴において著しく異なるため、統一モデルの開発と公正な評価を妨げる領域ギャップをかなり引き起こす。 さらに、大規模なオールインワン気象復旧データセットの欠如は、この分野を前進させる上で重要なボトルネックとなっている。 これらの制約に対処するため、雨、雪、ヘイズなど様々な気象条件下で撮影された画像対を含む実世界のオールインワンの悪天候画像復元ベンチマークデータセットと、多様な屋外シーンと照明設定を提示する。 得られたデータセットは、正確に整列された劣化したクリーンなイメージを提供し、教師付き学習と厳密な評価を可能にする。 我々は、データセット上で様々なタスク固有、タスク一般、オールインワンの復元方法をベンチマークすることで、包括的な実験を行う。 我々のデータセットは、実世界のシナリオにおいて、堅牢で実用的なオールインワン画像復元を推進するための貴重な基盤を提供する。 データセットは公開されており、https://github.com/guanqiyuan/WeatherBench.comで公開されている。

関連論文リスト

• AerialMegaDepth: Learning Aerial-Ground Reconstruction and View Synthesis [57.249817395828174]
  本研究では,3次元都市規模のメッシュからの擬似合成レンダリングと,実地レベルでのクラウドソース画像を組み合わせたスケーラブルなフレームワークを提案する。 擬似合成データは、幅広い空中視点をシミュレートする一方、実際のクラウドソース画像は、地上レベルの画像の視覚的忠実度を改善するのに役立つ。 このハイブリッドデータセットを使用して、いくつかの最先端のアルゴリズムを微調整し、実世界のゼロショット地上作業において大幅な改善を実現する。
  論文  参考訳（メタデータ） (2025-04-17T17:57:05Z)
• Pseudo-Label Guided Real-World Image De-weathering: A Learning Framework with Imperfect Supervision [57.5699142476311]
  非理想的な監視を伴う実世界のイメージデウェザリングのための統一的なソリューションを提案する。 本手法は,不完全整合型非整合性データセットのトレーニングにおいて,大きな利点を示す。
  論文  参考訳（メタデータ） (2025-04-14T07:24:03Z)
• Towards Real-World Adverse Weather Image Restoration: Enhancing Clearness and Semantics with Vision-Language Models [85.53913950137175]
  実環境下での復元性能を高めるために,視覚言語モデルを用いた半教師付き学習フレームワークを定式化する。 クリアネス向上のために、視覚言語モデルと天気予報学習によって評価された擬似ラベルを用いた2段階戦略を用いて、実世界のデータを利用する。 セマンティックエンハンスメントのために,意味を保ちながら視覚言語モデル記述の天気条件を調整し,実世界のデータを統合する。
  論文  参考訳（メタデータ） (2024-09-03T17:56:51Z)
• Learning Real-World Image De-Weathering with Imperfect Supervision [57.748585821252824]
  既存の現実世界のデヒータリングデータセットは、接地トラス画像と入力された劣化画像の間に、一貫性のない照明、位置、テクスチャを示すことが多い。 我々は、入力劣化画像と可能な限り一貫性のある擬似ラベルを生成するための一貫性ラベルコンストラクタ(CLC)を開発した。 我々は,従来の不完全ラベルと擬似ラベルを組み合わせることで,情報割当戦略による脱ウェザリングモデルを共同で監督する。
  論文  参考訳（メタデータ） (2023-10-23T14:02:57Z)
• MetaWeather: Few-Shot Weather-Degraded Image Restoration [17.63266150036311]
  メタウェザー(MetaWeather)は、多様な新しい気象条件を単一の統一モデルで処理できる普遍的なアプローチである。 メタウェザーは未確認の気象条件に適応でき、最先端のマルチウェザー画像復元法よりも優れることを示す。
  論文  参考訳（メタデータ） (2023-08-28T06:25:40Z)
• Multi-Sensor Data Fusion for Cloud Removal in Global and All-Season Sentinel-2 Imagery [15.459106705735376]
  軌道上の地球画像を通して得られた光学観測の大部分は、雲の影響を受けている。 我々は、新しいクラウド除去アプローチをトレーニングするための大きな新しいデータセットをキュレートすることで、一般化の課題をターゲットにしている。 雲の網羅範囲は空の鮮明さと絶対的な網羅範囲で大きく異なるという観測に基づいて,両極端に対処できる新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-16T13:40:42Z)
• Rainy screens: Collecting rainy datasets, indoors [19.71705192452036]
  本稿では,既存の地中構造画像から多彩な降雨画像を生成するための簡易な手法を提案する。 この設定により、既存のデータセットの多様性をタスク基底データで活用できます。 都市景観とBDDに基づく降雨量と降雨量と実際の付着液滴を用いた降雨画像を生成し,デライニングモデルを訓練する。
  論文  参考訳（メタデータ） (2020-03-10T13:57:37Z)

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。