論文の概要: Real-World Adverse Weather Image Restoration via Dual-Level Reinforcement Learning with High-Quality Cold Start

• arxiv url: http://arxiv.org/abs/2511.05095v1
• Date: Fri, 07 Nov 2025 09:22:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.719129
• Title: Real-World Adverse Weather Image Restoration via Dual-Level Reinforcement Learning with High-Quality Cold Start
• Title（参考訳）: 高品位コールドスタートによるデュアルレベル強化学習による実世界の逆気象画像復元
• Authors: Fuyang Liu, Jiaqi Xu, Xiaowei Hu,
• Abstract要約: 逆天候は現実世界の視覚を著しく損なうが、既存の視覚モデルは複雑な劣化への一般化に苦慮している。 まず,様々な気象現象をシミュレートする物理駆動型データセットであるHFLS-Weatherを構築し,冷間開始訓練のためのHFLS-Weatherを用いた2段階強化学習フレームワークを設計する。 このフレームワークは、現実世界の状況への継続的な適応を可能にし、幅広い悪天候シナリオで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 12.423595039024597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adverse weather severely impairs real-world visual perception, while existing vision models trained on synthetic data with fixed parameters struggle to generalize to complex degradations. To address this, we first construct HFLS-Weather, a physics-driven, high-fidelity dataset that simulates diverse weather phenomena, and then design a dual-level reinforcement learning framework initialized with HFLS-Weather for cold-start training. Within this framework, at the local level, weather-specific restoration models are refined through perturbation-driven image quality optimization, enabling reward-based learning without paired supervision; at the global level, a meta-controller dynamically orchestrates model selection and execution order according to scene degradation. This framework enables continuous adaptation to real-world conditions and achieves state-of-the-art performance across a wide range of adverse weather scenarios. Code is available at https://github.com/xxclfy/AgentRL-Real-Weather
• Abstract（参考訳）: 逆の天気は現実世界の視覚を著しく損なうが、既存の視覚モデルは固定パラメータを持つ合成データに基づいて訓練され、複雑な劣化を一般化するのに苦労する。 そこで我々はまず,物理駆動型高忠実度データセットであるHFLS-Weatherを構築し,その上で,HFLS-Weatherを初期化した2段階強化学習フレームワークを設計した。 このフレームワーク内では、局所的なレベルでは、摂動駆動による画像品質の最適化によって天候特異的復元モデルが洗練され、ペアの監督なしに報酬に基づく学習が可能となり、グローバルレベルでは、メタコントローラがシーンの劣化に応じてモデル選択と実行順序を動的に調整する。 このフレームワークは、現実世界の状況への継続的な適応を可能にし、幅広い悪天候シナリオで最先端のパフォーマンスを達成する。 コードはhttps://github.com/xxclfy/AgentRL-Real-Weatherで入手できる。

関連論文リスト

• WeatherCycle: Unpaired Multi-Weather Restoration via Color Space Decoupled Cycle Learning [30.62082910458533]
  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。
  論文  参考訳（メタデータ） (2025-09-27T06:44:27Z)
• Towards Real-World Adverse Weather Image Restoration: Enhancing Clearness and Semantics with Vision-Language Models [85.53913950137175]
  実環境下での復元性能を高めるために,視覚言語モデルを用いた半教師付き学習フレームワークを定式化する。 クリアネス向上のために、視覚言語モデルと天気予報学習によって評価された擬似ラベルを用いた2段階戦略を用いて、実世界のデータを利用する。 セマンティックエンハンスメントのために,意味を保ちながら視覚言語モデル記述の天気条件を調整し,実世界のデータを統合する。
  論文  参考訳（メタデータ） (2024-09-03T17:56:51Z)
• On the Integration of Spatial-Temporal Knowledge: A Lightweight Approach to Atmospheric Time Series Forecasting [24.119776558530983]
  複雑建築における時空間知識統合の有効性を強調し,大気時系列予測(ATSF)の新たな知見を提供する。 10kパラメータと1時間のトレーニングにより、STELLAは他の高度なメソッドと比較して、5つのデータセットで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-08-19T04:23:40Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• MetaWeather: Few-Shot Weather-Degraded Image Restoration [17.63266150036311]
  メタウェザー(MetaWeather)は、多様な新しい気象条件を単一の統一モデルで処理できる普遍的なアプローチである。 メタウェザーは未確認の気象条件に適応でき、最先端のマルチウェザー画像復元法よりも優れることを示す。
  論文  参考訳（メタデータ） (2023-08-28T06:25:40Z)
• 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)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Competitive Simplicity for Multi-Task Learning for Real-Time Foggy Scene Understanding via Domain Adaptation [17.530091734327296]
  霧の多い気象条件下で,リアルタイムのセマンティックシーン理解と単眼深度推定が可能なマルチタスク学習手法を提案する。 我々のモデルはRGB色、深度、輝度の画像を密接な接続性を持つ異なるエンコーダで表現する。
  論文  参考訳（メタデータ） (2020-12-09T20:38:34Z)

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。