論文の概要: WeatherCycle: Unpaired Multi-Weather Restoration via Color Space Decoupled Cycle Learning

• arxiv url: http://arxiv.org/abs/2509.23150v1
• Date: Sat, 27 Sep 2025 06:44:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.070675
• Title: WeatherCycle: Unpaired Multi-Weather Restoration via Color Space Decoupled Cycle Learning
• Title（参考訳）: WeatherCycle:カラースペースデカップリングサイクル学習によるマルチウェザー修復
• Authors: Wenxuan Fang, Jiangwei Weng, Jianjun Qian, Jian Yang, Jun Li,
• Abstract要約: マルチウェザー条件下での教師なし画像復元は根本的だが未発見の課題である。 気象の回復を双方向の劣化コンテンツ翻訳サイクルとして再構成する統合フレームワークである textbfWeatherCycle を提案する。 本手法は, 複雑な気象劣化に対する強い一般化を図りながら, 教師なしアプローチの最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 30.62082910458533
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Unsupervised image restoration under multi-weather conditions remains a fundamental yet underexplored challenge. While existing methods often rely on task-specific physical priors, their narrow focus limits scalability and generalization to diverse real-world weather scenarios. In this work, we propose \textbf{WeatherCycle}, a unified unpaired framework that reformulates weather restoration as a bidirectional degradation-content translation cycle, guided by degradation-aware curriculum regularization. At its core, WeatherCycle employs a \textit{lumina-chroma decomposition} strategy to decouple degradation from content without modeling complex weather, enabling domain conversion between degraded and clean images. To model diverse and complex degradations, we propose a \textit{Lumina Degradation Guidance Module} (LDGM), which learns luminance degradation priors from a degraded image pool and injects them into clean images via frequency-domain amplitude modulation, enabling controllable and realistic degradation modeling. Additionally, we incorporate a \textit{Difficulty-Aware Contrastive Regularization (DACR)} module that identifies hard samples via a CLIP-based classifier and enforces contrastive alignment between hard samples and restored features to enhance semantic consistency and robustness. Extensive experiments across serve multi-weather datasets, demonstrate that our method achieves state-of-the-art performance among unsupervised approaches, with strong generalization to complex weather degradations.
• Abstract（参考訳）: マルチウェザー条件下での教師なし画像復元は根本的だが未発見の課題である。 既存の手法はタスク固有の物理的前提に依存することが多いが、その限定された焦点はスケーラビリティと様々な現実の気象シナリオへの一般化に限られている。 本研究では, 気象復元を双方向の劣化コンテンツ翻訳サイクルとして再構成し, 劣化を意識したカリキュラム正規化によって導出する, 統一された未整備のフレームワークである \textbf{WeatherCycle} を提案する。 コアとなるWeatherCycleでは、複雑な天候をモデル化せずにコンテンツから劣化を分離するために、‘textit{lumina-chroma decomposition} 戦略を採用している。 多様な複雑な劣化をモデル化するために,劣化した画像プールから輝度劣化を学習し,周波数領域振幅変調によりクリーンな画像に注入し,制御可能かつ現実的な劣化モデリングを可能にする「textit{Lumina Degradation Guidance Module} (LDGM)」を提案する。 さらに、CLIPベースの分類器を介してハードサンプルを識別し、ハードサンプルと復元された機能間のコントラストアライメントを強制し、セマンティック一貫性とロバスト性を高めるための、 \textit{Difficulty-Aware Contrastive Regularization (DACR)モジュールを組み込んだ。 マルチウェザー・データセットにまたがる広範囲な実験により, 複雑な気象劣化に対して強い一般化を図りながら, 教師なし手法の最先端性能を実証した。

関連論文リスト

• When Color-Space Decoupling Meets Diffusion for Adverse-Weather Image Restoration [31.345996524182127]
  我々はLumina-Chroma Decomposition Network(LCDN)とLumina-Guided Diffusion Model(LGDM)を提示する。 LCDNは、YCbCr色空間で劣化した画像を処理し、分解関連輝度と劣化不変色成分を別々に処理する。 LGDMにはTextitDynamic Time Step Lossが組み込まれており、デノナイジングネットワークを最適化し、画像内の低周波と高周波の両方の特徴のバランスの取れた回復を保証する。
  論文  参考訳（メタデータ） (2025-09-21T10:39:06Z)
• Towards Generalized Range-View LiDAR Segmentation in Adverse Weather [65.22588361803942]
  我々は、厳しい天候下でのLiDARセグメンテーションの一般化に影響を及ぼす固有の課題を特定し、分析する。 既存のモデルのコアアーキテクチャを変更することなく、ロバスト性を高めるモジュール式で軽量なフレームワークを提案する。 提案手法は,推定オーバーヘッドを最小限に抑え,悪天候への一般化を著しく改善する。
  論文  参考訳（メタデータ） (2025-06-10T16:48:27Z)
• UniRes: Universal Image Restoration for Complex Degradations [53.74404005987783]
  実世界のイメージ復元は、様々なキャプチャ条件、キャプチャデバイス、後処理パイプラインから生じるさまざまな劣化によって妨げられている。 UniResという名前の、シンプルで柔軟な拡散ベースのフレームワークは、このような劣化をエンドツーエンドで解決するために提案されている。 提案手法は, 複合劣化画像復元データセットと単分解画像復元データセットの両方を用いて評価する。
  論文  参考訳（メタデータ） (2025-06-05T21:25:39Z)
• Towards Explicit Geometry-Reflectance Collaboration for Generalized LiDAR Segmentation in Adverse Weather [58.4718010073085]
  既存のLiDARセグメンテーションモデルは、悪天候にさらされると精度が低下することが多い。 この課題に対処する最近の手法は、気象シミュレーションやユニバーサル拡張技術によるトレーニングデータの強化に重点を置いている。 本稿では,幾何・反射性の特徴抽出を明示的に分離する新しい幾何・反射性協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-03T03:23:43Z)
• 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)
• OneRestore: A Universal Restoration Framework for Composite Degradation [33.556183375565034]
  現実のシナリオでは、画像障害はしばしば複合的な劣化として現れ、低光、迷路、雨、雪といった要素の複雑な相互作用を示す。 本研究では, 複雑な複合劣化シナリオを正確に表現するために, 4つの物理劣化パラダイムを統合した多目的イメージングモデルを提案する。 OneRestoreは、適応的で制御可能なシーン復元のために設計された新しいトランスフォーマーベースのフレームワークである。
  論文  参考訳（メタデータ） (2024-07-05T16:27:00Z)
• Joint Conditional Diffusion Model for Image Restoration with Mixed Degradations [29.14467633167042]
  悪天候下における画像復元のための新しい手法を提案する。 大気散乱モデルに基づく混合劣化モデルを用いて, 復元過程全体を導出する。 マルチウェザーおよび気象特化データセットの実験は、最先端の競合手法よりも、我々の手法が優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-11T14:07:16Z)

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。