論文の概要: Seeing Through the Rain: Resolving High-Frequency Conflicts in Deraining and Super-Resolution via Diffusion Guidance

• arxiv url: http://arxiv.org/abs/2511.12419v1
• Date: Sun, 16 Nov 2025 02:16:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.079881
• Title: Seeing Through the Rain: Resolving High-Frequency Conflicts in Deraining and Super-Resolution via Diffusion Guidance
• Title（参考訳）: 雨を通して見る:拡散誘導による脱落・超解法における高周波衝突の解消
• Authors: Wenjie Li, Jinglei Shi, Jin Han, Heng Guo, Zhanyu Ma,
• Abstract要約: クリーンかつ高解像度の画像を生成するための拡散型高周波誘導モデルDHGMを提案する。 DHGMは事前訓練された拡散前処理とハイパスフィルタを統合し、同時に雨の人工物を取り除き、構造的詳細を強化する。
• 参考スコア（独自算出の注目度）: 42.9466650759731
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clean images are crucial for visual tasks such as small object detection, especially at high resolutions. However, real-world images are often degraded by adverse weather, and weather restoration methods may sacrifice high-frequency details critical for analyzing small objects. A natural solution is to apply super-resolution (SR) after weather removal to recover both clarity and fine structures. However, simply cascading restoration and SR struggle to bridge their inherent conflict: removal aims to remove high-frequency weather-induced noise, while SR aims to hallucinate high-frequency textures from existing details, leading to inconsistent restoration contents. In this paper, we take deraining as a case study and propose DHGM, a Diffusion-based High-frequency Guided Model for generating clean and high-resolution images. DHGM integrates pre-trained diffusion priors with high-pass filters to simultaneously remove rain artifacts and enhance structural details. Extensive experiments demonstrate that DHGM achieves superior performance over existing methods, with lower costs.
• Abstract（参考訳）: クリーンなイメージは、特に高解像度で、小さなオブジェクト検出のような視覚的なタスクには不可欠である。 しかし、実際の画像はしばしば悪天候によって劣化し、気象復元法は小さな天体を解析するのに重要な高周波の詳細を犠牲にする可能性がある。 自然の解決策は、天候除去後に超解像(SR)を適用し、明度と微細構造の両方を回復させることである。 しかし、単純なカスケード修復とSRは、彼らの固有の対立を補うのに苦労している。除去は、高周波の気象によるノイズを取り除くことを目的としており、一方、SRは、既存の詳細から高周波のテクスチャを幻覚させることを目的としており、一貫性のない復元内容をもたらす。 本稿では,DHGM(Diffusion-based High- frequency Guided Model)を提案する。 DHGMは事前訓練された拡散前処理とハイパスフィルタを統合し、同時に雨の人工物を取り除き、構造的詳細を強化する。 大規模な実験により、DHGMは既存の手法よりも性能が優れ、低コストであることが示された。

関連論文リスト

• HDW-SR: High-Frequency Guided Diffusion Model based on Wavelet Decomposition for Image Super-Resolution [4.388490927225987]
  ウェーブレット分解(HDW-SR)に基づく高周波誘導拡散ネットワークを提案する。 我々は残差マップのみに拡散を行い、ネットワークがより効率的に高周波情報復元に集中できるようにする。 合成データセットと実世界のデータセットの両方の実験は、HDW-SRが競合する超解像性能を達成することを示した。
  論文  参考訳（メタデータ） (2025-11-17T09:25:26Z)
• Exploiting Diffusion Prior for Task-driven Image Restoration [52.86792374527662]
  タスク駆動画像復元(TDIR)は、最近、低品質(LQ)入力による高レベルの視覚タスクのパフォーマンス低下に対応するために登場した。 従来のTDIR手法では、複数の複雑な要因によって画像が劣化する現実的なシナリオを扱うのに苦労していた。 本稿では,タスク関連の詳細の復元に先立って,拡散のパワーを効果的に活用するEDTRを提案する。
  論文  参考訳（メタデータ） (2025-07-30T08:05:49Z)
• One-Step Diffusion-based Real-World Image Super-Resolution with Visual Perception Distillation [53.24542646616045]
  画像超解像(SR)生成に特化して設計された新しい視覚知覚拡散蒸留フレームワークであるVPD-SRを提案する。 VPD-SRは2つのコンポーネントから構成される: 明示的セマンティック・アウェア・スーパービジョン(ESS)と高周波知覚(HFP)損失。 提案したVPD-SRは,従来の最先端手法と教師モデルの両方と比較して,たった1ステップのサンプリングで優れた性能が得られる。
  論文  参考訳（メタデータ） (2025-06-03T08:28:13Z)
• AddSR: Accelerating Diffusion-based Blind Super-Resolution with Adversarial Diffusion Distillation [42.34219615630592]
  低分解能入力からの複雑な詳細で鮮明な高分解能画像の再構成における, 安定拡散ショーケースに基づくブラインド超解像法 その実用性はしばしば、数千から数百のサンプリングステップの要求に起因して、効率の悪さによって妨げられる。 効率の良い逆拡散蒸留 (ADD) にインスパイアされた我々は, 蒸留と制御ネットの両方のアイデアを取り入れることでこの問題に対処する。
  論文  参考訳（メタデータ） (2024-04-02T08:07:38Z)
• Generating Content for HDR Deghosting from Frequency View [56.103761824603644]
  近年の拡散モデル (DM) はHDRイメージング分野に導入されている。 DMは画像全体を推定するために大きなモデルで広範囲の反復を必要とする。 ゴーストフリーHDRイメージングのための低周波数対応拡散(LF-Diff)モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-01T01:32:11Z)
• MvKSR: Multi-view Knowledge-guided Scene Recovery for Hazy and Rainy Degradation [8.955174143860681]
  高品質のイメージングは、交通や産業などの分野における安全の監督とインテリジェントな展開を保証するために不可欠である。 大気の湿潤度や降水などの悪天候は、画質に大きな影響を及ぼす可能性がある。 本稿では, 降雨条件下での劣化画像を復元する, 知識誘導型シーンリカバリネットワーク(MvKSR)を提案する。
  論文  参考訳（メタデータ） (2024-01-08T10:41:45Z)
• AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using Denoising Diffusion Probabilistic Models [64.24948495708337]
  大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。 CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。 Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
  論文  参考訳（メタデータ） (2022-08-24T03:13:04Z)
• Best-Buddy GANs for Highly Detailed Image Super-Resolution [71.13466303340192]
  我々は,低分解能(LR)入力に基づいて高分解能(HR)画像を生成する単一画像超解像(SISR)問題を考える。 このラインに沿ったほとんどのメソッドは、SISRタスクに十分な柔軟性がない、事前定義されたシングルLRシングルHRマッピングに依存しています。 リッチディテールSISRのためのベストバディGAN(Beby-GAN)を提案する。 イミュータブルな1対1の制約を緩和することで、推定されたパッチを動的に最高の監視を求めることができる。
  論文  参考訳（メタデータ） (2021-03-29T02:58:27Z)

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。