論文の概要: GUSL-Dehaze: A Green U-Shaped Learning Approach to Image Dehazing

• arxiv url: http://arxiv.org/abs/2510.20266v1
• Date: Thu, 23 Oct 2025 06:46:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.454537
• Title: GUSL-Dehaze: A Green U-Shaped Learning Approach to Image Dehazing
• Title（参考訳）: GUSL-Dehaze: グリーンなU字型学習アプローチ
• Authors: Mahtab Movaheddrad, Laurence Palmer, C. -C. Jay Kuo,
• Abstract要約: イメージデハジング(Image Dehazing)は、一点のぼやけた入力から明確なイメージを復元することを目的とした復元作業である。 GUSL-DehazeはグリーンなU字型学習手法である。
• 参考スコア（独自算出の注目度）: 21.49782595218257
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image dehazing is a restoration task that aims to recover a clear image from a single hazy input. Traditional approaches rely on statistical priors and the physics-based atmospheric scattering model to reconstruct the haze-free image. While recent state-of-the-art methods are predominantly based on deep learning architectures, these models often involve high computational costs and large parameter sizes, making them unsuitable for resource-constrained devices. In this work, we propose GUSL-Dehaze, a Green U-Shaped Learning approach to image dehazing. Our method integrates a physics-based model with a green learning (GL) framework, offering a lightweight, transparent alternative to conventional deep learning techniques. Unlike neural network-based solutions, GUSL-Dehaze completely avoids deep learning. Instead, we begin with an initial dehazing step using a modified Dark Channel Prior (DCP), which is followed by a green learning pipeline implemented through a U-shaped architecture. This architecture employs unsupervised representation learning for effective feature extraction, together with feature-engineering techniques such as the Relevant Feature Test (RFT) and the Least-Squares Normal Transform (LNT) to maintain a compact model size. Finally, the dehazed image is obtained via a transparent supervised learning strategy. GUSL-Dehaze significantly reduces parameter count while ensuring mathematical interpretability and achieving performance on par with state-of-the-art deep learning models.
• Abstract（参考訳）: イメージデハジング(Image Dehazing)は、一点のぼやけた入力から明確なイメージを復元することを目的とした復元作業である。 従来のアプローチは、ヘイズフリーのイメージを再構成するために、統計的な先行と物理に基づく大気散乱モデルに依存していた。 最近の最先端の手法は、主にディープラーニングアーキテクチャに基づいているが、これらのモデルは高い計算コストと大きなパラメータサイズを伴い、リソース制約のあるデバイスには適さない。 本研究では,グリーンU字型学習手法であるGUSL-Dehazeを提案する。 本手法は,物理モデルとグリーンラーニング(GL)フレームワークを統合し,従来のディープラーニング技術に代わる軽量で透明な代替手段を提供する。 ニューラルネットワークベースのソリューションとは異なり、GUSL-Dehazeはディープラーニングを完全に回避する。 代わりに、修正されたDark Channel Prior(DCP)を使用して最初のデハージングステップから始まり、続いてU字型アーキテクチャで実装されたグリーンラーニングパイプラインが続く。 このアーキテクチャでは、効率的な特徴抽出のための教師なし表現学習と、関連する特徴検定(RFT)やLNT(Last-Squares Normal Transform)といった特徴工学技術を用いて、コンパクトなモデルサイズを維持する。 最後に、デハズド画像は透明な教師付き学習戦略を介して得られる。 GUSL-Dehazeは、数学的解釈可能性を確保しつつパラメータ数を著しく削減し、最先端のディープラーニングモデルと同等の性能を達成する。

関連論文リスト

• DIPLI: Deep Image Prior Lucky Imaging for Blind Astronomical Image Restoration [4.378167136812483]
  この研究は、バックプロジェクション技術を用いて、シングルフレームからマルチフレームのトレーニングに移行するフレームワークであるDIPLIを提案する。 総合評価では、ラッキーイメージング、DIP、トランスフォーマーベースモデルRVRT、拡散ベースモデルDiffIR2VR-Zeroと比較する。
  論文  参考訳（メタデータ） (2025-03-20T09:33:16Z)
• UIE-UnFold: Deep Unfolding Network with Color Priors and Vision Transformer for Underwater Image Enhancement [27.535028176427623]
  水中画像強調(UIE)は様々な海洋用途において重要な役割を担っている。 現在の学習に基づくアプローチは、水中画像形成に関わる物理過程に関する明確な事前知識を欠いていることが多い。 そこで本稿では,UIEのカラープリエントとステージ間特徴付与を統合した新しいディープ・アンフォールディング・ネットワーク(DUN)を提案する。
  論文  参考訳（メタデータ） (2024-08-20T08:48:33Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Shared Prior Learning of Energy-Based Models for Image Reconstruction [69.72364451042922]
  本研究では,地中真理データを含まないトレーニングに特化して設計された画像再構成のための新しい学習ベースフレームワークを提案する。 基底真理データがない場合には、損失関数をパッチベースのワッサーシュタイン関数に変更する。 共用事前学習では、上記の最適制御問題と正規化器の共用学習パラメータを同時に最適化する。
  論文  参考訳（メタデータ） (2020-11-12T17:56:05Z)
• Image Augmentation Is All You Need: Regularizing Deep Reinforcement Learning from Pixels [37.726433732939114]
  本稿では,標準モデルフリー強化学習アルゴリズムに適用可能な,シンプルなデータ拡張手法を提案する。 コンピュータビジョンタスクでよく使われる入力摂動を利用して値関数を正規化する。 我々の手法はモデルなし強化学習アルゴリズムと組み合わせることができる。
  論文  参考訳（メタデータ） (2020-04-28T16:48:16Z)

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。