論文の概要: SmokeBench: A Real-World Dataset for Surveillance Image Desmoking in Early-Stage Fire Scenes

• arxiv url: http://arxiv.org/abs/2509.12701v1
• Date: Tue, 16 Sep 2025 05:51:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.90801
• Title: SmokeBench: A Real-World Dataset for Surveillance Image Desmoking in Early-Stage Fire Scenes
• Title（参考訳）: SmokeBench: 早期の火災現場における監視用イメージデスモークのリアルタイムデータセット
• Authors: Wenzhuo Jin, Qianfeng Yang, Xianhao Wu, Hongming Chen, Pengpeng Li, Xiang Chen,
• Abstract要約: 燃焼によって発生する煙は、監視システムの可視性を著しく低下させる。 鮮明なシーン情報を得るためには、画像から煙を除去する必要がある。 我々は、SmokeBenchという実世界の監視画像デモーキングベンチマークデータセットを提示する。
• 参考スコア（独自算出の注目度）: 8.183561852240851
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early-stage fire scenes (0-15 minutes after ignition) represent a crucial temporal window for emergency interventions. During this stage, the smoke produced by combustion significantly reduces the visibility of surveillance systems, severely impairing situational awareness and hindering effective emergency response and rescue operations. Consequently, there is an urgent need to remove smoke from images to obtain clear scene information. However, the development of smoke removal algorithms remains limited due to the lack of large-scale, real-world datasets comprising paired smoke-free and smoke-degraded images. To address these limitations, we present a real-world surveillance image desmoking benchmark dataset named SmokeBench, which contains image pairs captured under diverse scenes setup and smoke concentration. The curated dataset provides precisely aligned degraded and clean images, enabling supervised learning and rigorous evaluation. We conduct comprehensive experiments by benchmarking a variety of desmoking methods on our dataset. Our dataset provides a valuable foundation for advancing robust and practical image desmoking in real-world fire scenes. This dataset has been released to the public and can be downloaded from https://github.com/ncfjd/SmokeBench.
• Abstract（参考訳）: 早期の火災現場(点火から0～15分後)は緊急介入にとって重要な時間的窓口である。 この段階で、燃焼によって発生する煙は、監視システムの視認性を著しく低下させ、状況認識を著しく損なうとともに、効果的な緊急対応や救助活動を妨げる。 そのため、鮮明なシーン情報を得るためには、画像から煙を除去する必要がある。 しかし,煙草除去アルゴリズムの開発は,煙草除去と煙草劣化を兼ね備えた大規模で現実的なデータセットが不足しているため,依然として限られている。 これらの制限に対処するため,SmokeBenchという実世界の監視画像デモーキングベンチマークデータセットを提示する。 キュレートさ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、データセット上でさまざまなデ喫煙手法をベンチマークすることで、包括的な実験を行う。 われわれのデータセットは、現実世界の火災現場で、堅牢で実用的なイメージデモークを推進するための貴重な基盤を提供する。 このデータセットは、https://github.com/ncfjd/SmokeBench.comからダウンロードできる。

関連論文リスト

• MFGDiffusion: Mask-Guided Smoke Synthesis for Enhanced Forest Fire Detection [6.307649189539342]
  スモークは山火事の目に見える最初の指標である。 現在の塗装モデルは、高品質な煙の表現を生成するのに限界がある。 森林火災煙画像を生成するための総合的な枠組みを提案する。
  論文  参考訳（メタデータ） (2025-07-15T12:25:35Z)
• Self-Supervised Video Desmoking for Laparoscopic Surgery [48.83900673665993]
  自己監督型手術ビデオデモーキング(SelfSVD)について紹介する。 高エネルギー装置の起動前に捕捉したフレームは一般に明確である(プレスモークフレーム、PSフレーム)。 さらに、PSフレームからモデルに貴重な情報を供給し、マスキング戦略と正規化項を提示し、自明な解決策を避ける。
  論文  参考訳（メタデータ） (2024-03-17T12:38:58Z)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• Multimodal Wildland Fire Smoke Detection [5.15911752972989]
  研究によると、気候変動によって温暖な温度と乾燥状態が生まれ、長い山火事の季節と米国の山火事のリスクが増大する。 スモーキーネット(SmokeyNet)は,森林火災の煙を検出するための時間的情報を用いた深層学習モデルである。 SmokeyNetは、ほんの数分の時間で自動早期通知システムとして機能し、破壊的な山火事との戦いに有用なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T01:16:06Z)
• Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
  この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。 そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
  論文  参考訳（メタデータ） (2022-12-09T11:32:36Z)
• A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and Ground Truth [61.90504318229845]
  本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。 このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。 このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
  論文  参考訳（メタデータ） (2022-06-13T19:14:06Z)
• FIgLib & SmokeyNet: Dataset and Deep Learning Model for Real-Time Wildland Fire Smoke Detection [0.0]
  Fire Ignition Library (FIgLib) は、25,000点近い山火事の煙画像のデータセットである。 SmokeyNetは、リアルタイムの山火事煙検知にカメラ画像からの時間情報を利用する、新しいディープラーニングアーキテクチャである。 FIgLibデータセットでトレーニングすると、SmokeyNetは同等のベースラインを上回り、人間のパフォーマンスに匹敵する。
  論文  参考訳（メタデータ） (2021-12-16T03:49:58Z)
• STCNet: Spatio-Temporal Cross Network for Industrial Smoke Detection [52.648906951532155]
  本稿では,産業用煙排出ガスを識別する新しい時空間クロスネットワーク(STCNet)を提案する。 提案するSTCNetは, テクスチャの特徴を抽出する空間的特徴と, 煙の動き情報を捕捉する時間的経路を含む。 STCNetは、RISE産業煙検知データセットにおいて、最も優れた競合相手に対して6.2%の精度で明確な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2020-11-10T02:28:47Z)

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。