論文の概要: HazeFlow: Revisit Haze Physical Model as ODE and Non-Homogeneous Haze Generation for Real-World Dehazing

• arxiv url: http://arxiv.org/abs/2509.18190v1
• Date: Fri, 19 Sep 2025 07:50:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.474568
• Title: HazeFlow: Revisit Haze Physical Model as ODE and Non-Homogeneous Haze Generation for Real-World Dehazing
• Title（参考訳）: HazeFlow: ODEとしてのヘイズ物理モデルの再検討と実世界のデハジングのための非均一ヘイズ生成
• Authors: Junseong Shin, Seungwoo Chung, Yunjeong Yang, Tae Hyun Kim,
• Abstract要約: デヘイズには、画像からヘイズや霧を取り除き、明瞭さを回復し、可視性を改善することが含まれる。 大気散乱モデル(ASM)に基づく従来の手法は、現実の複雑さや多様なヘイズパターンを扱うのに不足することが多い。 我々は、ASMを通常の微分方程式(ODE)として再構成する新しいODEベースのフレームワークであるHazeFlowを提案する。 Rectified Flow (RF)にインスパイアされたHazeFlowは、ヘイジーな画像をクリーンなものにマップするための最適なODE軌道を学び、単一の推論ステップで現実のデハージングパフォーマンスを向上させる。
• 参考スコア（独自算出の注目度）: 7.375976854181688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dehazing involves removing haze or fog from images to restore clarity and improve visibility by estimating atmospheric scattering effects. While deep learning methods show promise, the lack of paired real-world training data and the resulting domain gap hinder generalization to real-world scenarios. In this context, physics-grounded learning becomes crucial; however, traditional methods based on the Atmospheric Scattering Model (ASM) often fall short in handling real-world complexities and diverse haze patterns. To solve this problem, we propose HazeFlow, a novel ODE-based framework that reformulates ASM as an ordinary differential equation (ODE). Inspired by Rectified Flow (RF), HazeFlow learns an optimal ODE trajectory to map hazy images to clean ones, enhancing real-world dehazing performance with only a single inference step. Additionally, we introduce a non-homogeneous haze generation method using Markov Chain Brownian Motion (MCBM) to address the scarcity of paired real-world data. By simulating realistic haze patterns through MCBM, we enhance the adaptability of HazeFlow to diverse real-world scenarios. Through extensive experiments, we demonstrate that HazeFlow achieves state-of-the-art performance across various real-world dehazing benchmark datasets.
• Abstract（参考訳）: デハジングは、画像からヘイズや霧を取り除き、明瞭さを回復し、大気の散乱効果を推定することで可視性を改善する。 ディープラーニング手法は将来性を示すが、ペア化された実世界のトレーニングデータの欠如と、結果として生じるドメインギャップは、実世界のシナリオへの一般化を妨げる。 この文脈では、物理基底学習が重要であるが、大気散乱モデル(ASM)に基づく伝統的な手法は、現実世界の複雑さや多様なヘイズパターンを扱うのに不足することが多い。 本研究では、ASMを通常の微分方程式(ODE)として再構成する新しいODEベースのフレームワークであるHazeFlowを提案する。 Rectified Flow (RF)にインスパイアされたHazeFlowは、ヘイジーな画像をクリーンなものにマップするための最適なODE軌道を学び、単一の推論ステップで現実のデハージングパフォーマンスを向上させる。 さらに,Markov Chain Brownian Motion (MCBM) を用いた一様でないヘイズ生成手法を導入し,実世界のデータの不足に対処する。 MCBMを通して現実的なヘイズパターンをシミュレートすることにより、HazeFlowの多様な現実シナリオへの適応性を高める。 大規模な実験を通じて、HazeFlowは様々な実世界のデハージングベンチマークデータセットで最先端のパフォーマンスを達成することを実証した。

関連論文リスト

• 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)
• Learning Hazing to Dehazing: Towards Realistic Haze Generation for Real-World Image Dehazing [59.43187521828543]
  本稿では,現実的なヘイズ画像生成フレームワーク(HazeGen)と拡散に基づくデハズ・フレームワーク(DiffDehaze)からなる,新しいヘイズ・デハズ・パイプラインを紹介する。 HazeGenは、事前訓練されたテキスト-画像拡散モデルに埋め込まれた実世界のハジー画像の堅牢な生成拡散先を利用する。 HazeGenは、特殊なハイブリッドトレーニングと混合サンプリング戦略を採用することで、DiffDehazeの高品質なトレーニングデータとして、現実的で多様なハジーイメージを生成する。
  論文  参考訳（メタデータ） (2025-03-25T01:55:39Z)
• Exploiting Diffusion Prior for Real-World Image Dehazing with Unpaired Training [11.902218695900217]
  未ペアトレーニングは、ぼんやりとした鮮明なイメージから学ぶことによって、現実のデハジングに最も効果的なパラダイムの1つである。 空白画像の生成における拡散モデルの強い生成能力に触発され,実世界のデハジングに先立って拡散を利用する。 本稿では,画像とテキストのモダリティの劣化を除去し,拡散モデルの表現能力を適切に活用するための新たな視点を提案する。
  論文  参考訳（メタデータ） (2025-03-19T09:13:06Z)
• One Diffusion Step to Real-World Super-Resolution via Flow Trajectory Distillation [60.54811860967658]
  FluxSRはフローマッチングモデルに基づく新しい一段階拡散リアルISRである。 まず,フロートラジェクトリ蒸留(FTD)を導入し,多段階のフローマッチングモデルを1段階のリアルISRに蒸留する。 第2に、画像リアリズムを改善し、生成画像の高周波アーティファクト問題に対処するために、テレビLPIPSを知覚的損失として提案する。
  論文  参考訳（メタデータ） (2025-02-04T04:11:29Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Perceiving and Modeling Density is All You Need for Image Dehazing [10.864016211811025]
  現実の世界では、ヘイズの下で撮影された画像の劣化は非常に複雑である。 近年の手法では、深層ニューラルネットワークを用いて、ぼんやりとした画像から直接クリーンなシーンを復元している。 本研究では,不均一なヘイズ分布に対する密度の知覚とモデル化により,実世界のヘイズ劣化をモデル化する問題を解くことを提案する。
  論文  参考訳（メタデータ） (2021-11-18T14:47:41Z)

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。