論文の概要: Increasing the Diversity in RGB-to-Thermal Image Translation for Automotive Applications

• arxiv url: http://arxiv.org/abs/2509.23243v1
• Date: Sat, 27 Sep 2025 10:49:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.119353
• Title: Increasing the Diversity in RGB-to-Thermal Image Translation for Automotive Applications
• Title（参考訳）: 自動車用RGB-サーマル画像翻訳における多様性の向上
• Authors: Kaili Wang, Leonardo Ravaglia, Roberto Longo, Lore Goetschalckx, David Van Hamme, Julie Moeyersoms, Ben Stoffelen, Tom De Schepper,
• Abstract要約: RGB-to-thermal画像変換は潜在的な解決策を提供するが、既存の手法では1対1のマッピングに重点を置いている。 コンポーネント認識適応インスタンス正規化(CoAdaIN)により強化されたマルチモーダル翻訳フレームワークを用いた一対多マッピングを提案する。 その結果、より現実的で多様な熱画像の翻訳が可能になった。
• 参考スコア（独自算出の注目度）: 5.222143024252163
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Thermal imaging in Advanced Driver Assistance Systems (ADAS) improves road safety with superior perception in low-light and harsh weather conditions compared to traditional RGB cameras. However, research in this area faces challenges due to limited dataset availability and poor representation in driving simulators. RGB-to-thermal image translation offers a potential solution, but existing methods focus on one-to-one mappings. We propose a one-to-many mapping using a multi-modal translation framework enhanced with our Component-aware Adaptive Instance Normalization (CoAdaIN). Unlike the original AdaIN, which applies styles globally, CoAdaIN adapts styles to different image components individually. The result, as we show, is more realistic and diverse thermal image translations. This is the accepted author manuscript of the paper published in IEEE Sensors Conference 2024. The final published version is available at 10.1109/SENSORS60989.2024.10785056.
• Abstract（参考訳）: ADAS(Advanced Driver Assistance Systems)の熱画像は、従来のRGBカメラと比較して、低照度で厳しい気象条件において、道路の安全性を向上する。 しかし、この分野の研究は、運転シミュレータにおけるデータセットの可用性の制限と表現の低さによる課題に直面している。 RGB-to-thermal画像変換は潜在的な解決策を提供するが、既存の手法では1対1のマッピングに重点を置いている。 本稿では,コンポーネント認識型適応インスタンス正規化(CoAdaIN)により強化されたマルチモーダル翻訳フレームワークを用いた一対多マッピングを提案する。 グローバルにスタイルを適用するオリジナルのAdaINとは異なり、CoAdaINは異なるイメージコンポーネントに個別にスタイルを適用する。 その結果、より現実的で多様な熱画像の翻訳が可能になった。 これはIEEE Sensors Conference 2024で発表された論文の受理された著者の原稿である。 最終版は10.1109/SENSORS60989.2024.10785056である。

関連論文リスト

• Bi-directional Self-Registration for Misaligned Infrared-Visible Image Fusion [53.60977801655896]
  高品質なマルチモーダル画像融合を実現するためには,高精度なマルチモーダル画像ペアの取得が不可欠である。 我々は、新しい自己教師型 textbfBi-directional textbfSelf-textbfRegistration framework (textbfB-SR) を提案する。
  論文  参考訳（メタデータ） (2025-05-11T09:36:25Z)
• Human Activity Recognition using RGB-Event based Sensors: A Multi-modal Heat Conduction Model and A Benchmark Dataset [65.76480665062363]
  人間の活動認識は主に、高性能な活動認識を実現するために従来のRGBカメラに依存していた。 照明不足や急激な動きといった現実のシナリオにおける課題は、必然的にRGBカメラの性能を低下させる。 本研究では,RGBとイベントカメラを組み合わせることで,人間の活動認識を再考する。
  論文  参考訳（メタデータ） (2025-04-08T09:14:24Z)
• Multi-modal Multi-platform Person Re-Identification: Benchmark and Method [58.59888754340054]
  MP-ReIDは、マルチモダリティとマルチプラットフォームReIDに特化した新しいデータセットである。 このベンチマークは、RGB、赤外線、サーマルイメージングなど、さまざまなモードで1,930のIDからデータをコンパイルする。 クロスモダリティとクロスプラットフォームシナリオに適した,特定設計のプロンプトを備えたフレームワークであるUni-Prompt ReIDを紹介する。
  論文  参考訳（メタデータ） (2025-03-21T12:27:49Z)
• IRisPath: Enhancing Costmap for Off-Road Navigation with Robust IR-RGB Fusion for Improved Day and Night Traversability [2.21687743334279]
  従来の道路上での自律的な手法はダイナミックな地形に苦しむため、オフロード環境では車両の制御が貧弱になる。 近年の深層学習モデルでは、知覚センサと審美的フィードバックを併用して、そのような地形のナビゲーションを行っている。 本研究では,熱・RGB画像を用いて動的気象・光条件に対する堅牢性を実現するマルチモーダル核融合ネットワーク「IRisPath」を提案する。
  論文  参考訳（メタデータ） (2024-12-04T09:53:09Z)
• LapGSR: Laplacian Reconstructive Network for Guided Thermal Super-Resolution [1.747623282473278]
  複数のモダリティを融合して高解像度の画像を生成するには、数百万のパラメータと重い計算負荷を持つ高密度モデルが必要となることが多い。 熱分解能誘導のためのラプラシア像ピラミッドを用いたマルチモーダル・軽量・生成モデルであるLapGSRを提案する。
  論文  参考訳（メタデータ） (2024-11-12T12:23:19Z)
• CAFuser: Condition-Aware Multimodal Fusion for Robust Semantic Perception of Driving Scenes [56.52618054240197]
  本研究では,運転シーンのロバストな意味認識のための条件対応型マルチモーダル融合手法を提案する。 CAFuserは、RGBカメラ入力を用いて環境条件を分類し、コンディショントークンを生成する。 我々のモデルは、特に悪条件シナリオにおいて、ロバスト性と精度を著しく向上させる。
  論文  参考訳（メタデータ） (2024-10-14T17:56:20Z)
• PID: Physics-Informed Diffusion Model for Infrared Image Generation [11.416759828137701]
  赤外線イメージング技術は、低視認性条件下での信頼性の高いセンシング能力に大きな注目を集めている。 既存の画像翻訳法の多くは、赤外線画像は、基礎となる物理法則を無視して、スタイリスティックなバリエーションとして扱う。 物理法則に従う赤外線画像にRGB画像を変換するための物理情報拡散(PID)モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-12T14:32:30Z)
• SwinFuSR: an image fusion-inspired model for RGB-guided thermal image super-resolution [0.16385815610837165]
  超高分解能(SR)法は、高周波の詳細が欠如しているため、しばしば熱画像に苦しむ。 SwinFusionにインスパイアされたSwinFuSRは、Swin変換器をベースとしたガイド付きSRアーキテクチャである。 提案手法は,Pak Signal to Noise Ratio (PSNR) とStructure SIMilarity (SSIM) の両面において,少ないパラメータと性能を有する。
  論文  参考訳（メタデータ） (2024-04-22T19:01:18Z)
• Pretraining is All You Need for Image-to-Image Translation [59.43151345732397]
  画像から画像への一般的な翻訳を促進するために,事前学習を使うことを提案する。 提案した事前学習型画像画像変換(PITI)は,前例のないリアリズムと忠実さのイメージを合成できることを示す。
  論文  参考訳（メタデータ） (2022-05-25T17:58:26Z)

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。