論文の概要: Learning Latent Transmission and Glare Maps for Lens Veiling Glare Removal

• arxiv url: http://arxiv.org/abs/2511.17353v1
• Date: Fri, 21 Nov 2025 16:16:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:19.10025
• Title: Learning Latent Transmission and Glare Maps for Lens Veiling Glare Removal
• Title（参考訳）: レンズベイリンググレア除去のための潜時透過とグレアマップの学習
• Authors: Xiaolong Qian, Qi Jiang, Lei Sun, Zongxi Yu, Kailun Yang, Peixuan Wu, Jiacheng Zhou, Yao Gao, Yaoguang Ma, Ming-Hsuan Yang, Kaiwei Wang,
• Abstract要約: VeilGenは、ヴェイリンググラアをシミュレートすることを学ぶ生成モデルである。 DeVeilerは可逆性制約でトレーニングされた復元ネットワークである。
• 参考スコア（独自算出の注目度）: 39.641897384608264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Beyond the commonly recognized optical aberrations, the imaging performance of compact optical systems-including single-lens and metalens designs-is often further degraded by veiling glare caused by stray-light scattering from non-ideal optical surfaces and coatings, particularly in complex real-world environments. This compound degradation undermines traditional lens aberration correction yet remains underexplored. A major challenge is that conventional scattering models (e.g., for dehazing) fail to fit veiling glare due to its spatial-varying and depth-independent nature. Consequently, paired high-quality data are difficult to prepare via simulation, hindering application of data-driven veiling glare removal models. To this end, we propose VeilGen, a generative model that learns to simulate veiling glare by estimating its underlying optical transmission and glare maps in an unsupervised manner from target images, regularized by Stable Diffusion (SD)-based priors. VeilGen enables paired dataset generation with realistic compound degradation of optical aberrations and veiling glare, while also providing the estimated latent optical transmission and glare maps to guide the veiling glare removal process. We further introduce DeVeiler, a restoration network trained with a reversibility constraint, which utilizes the predicted latent maps to guide an inverse process of the learned scattering model. Extensive experiments on challenging compact optical systems demonstrate that our approach delivers superior restoration quality and physical fidelity compared with existing methods. These suggest that VeilGen reliably synthesizes realistic veiling glare, and its learned latent maps effectively guide the restoration process in DeVeiler. All code and datasets will be publicly released at https://github.com/XiaolongQian/DeVeiler.
• Abstract（参考訳）: 一般的に認められた光学収差の他に、小型光学系(シングルレンズやメタレンを含む)の撮像性能は、非理想的な光学面やコーティング、特に複雑な実環境において、非理想的な光学面やコーティングからの成層光散乱によって生じるグレアを遮蔽することによってさらに劣化することが多い。 この化合物分解は、従来のレンズ収差補正を損なうが、未発見のままである。 主な課題は、従来の散乱モデル(例えば脱ハージング)が、その空間的変化と深さに依存しない性質のため、ベールグレーアに合わないことである。 その結果、ペア化された高品質なデータを作成することは困難であり、データ駆動のベール除去モデルの適用を妨げている。 そこで本研究では, 安定拡散法 (SD) に基づく先行手法により, 対象画像から基礎となる光透過とグレアマップを教師なしの方法で推定することにより, ヴェイユジェネレーションモデルを提案する。 VeilGenは、光収差とヴェイリンググラアのリアルな複合劣化を伴うペアデータセット生成を可能にすると同時に、推定潜在光透過とグレアマップを提供し、ベイリンググラア除去プロセスの導出を可能にする。 さらに、予測潜在地図を用いて学習された散乱モデルの逆過程を導出する可逆性制約で訓練された復元ネットワークであるDeVeilerを紹介する。 提案手法は, 従来手法と比較して, 復元精度と物理忠実度に優れることを示した。 これらのことから、ヴェイユゲンは現実的なベールの光沢を確実に合成し、その学習された潜水地図がデヴェイラーの修復過程を効果的に導くことが示唆されている。 すべてのコードとデータセットはhttps://github.com/XiaolongQian/DeVeiler.comで公開される。

関連論文リスト

• Difflare: Removing Image Lens Flare with Latent Diffusion Model [19.022105366814078]
  レンズフレア除去のための新しいアプローチであるDifflareを紹介する。 PTDM(Pre-Trained Diffusion Models)による事前学習を活用するために,トレーニング可能な構造誘導モジュール(Structure Guidance Injection Module, SGIM)を導入する。 遅延圧縮による情報損失に対処するために,適応的特徴融合モジュール(AFFM)を導入する。
  論文  参考訳（メタデータ） (2024-07-20T04:36:39Z)
• LightenDiffusion: Unsupervised Low-Light Image Enhancement with Latent-Retinex Diffusion Models [39.28266945709169]
  物理的に説明可能なRetinex理論を低照度画像強調のための拡散モデルに組み込んだ拡散に基づく教師なしフレームワークを提案する。 公開されている実世界のベンチマークの実験では、提案されたLightenDiffusionは最先端の非監督的な競合より優れていることが示されている。
  論文  参考訳（メタデータ） (2024-07-12T02:54:43Z)
• Improving Lens Flare Removal with General Purpose Pipeline and Multiple Light Sources Recovery [69.71080926778413]
  フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。 現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。 本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
  論文  参考訳（メタデータ） (2023-08-31T04:58:17Z)
• Toward Real Flare Removal: A Comprehensive Pipeline and A New Benchmark [12.1632995709273]
  本稿では,フレア劣化を伴うデータペア生成手法を提案する。 散乱フレアの類似性と反射ゴーストの対称効果を実現する。 また,散乱と反射フレアの影響をそれぞれ処理する実写パイプラインを構築した。
  論文  参考訳（メタデータ） (2023-06-28T02:57:25Z)
• Optical Aberration Correction in Postprocessing using Imaging Simulation [17.331939025195478]
  モバイル写真の人気は増え続けている。 最近のカメラは、これらの修正作業の一部を光学設計から後処理システムに移行した。 光学収差による劣化を回復するための実用的手法を提案する。
  論文  参考訳（メタデータ） (2023-05-10T03:20:39Z)
• Nighttime Smartphone Reflective Flare Removal Using Optical Center Symmetry Prior [81.64647648269889]
  反射フレア(英: Reflective flare)は、レンズの内部に光が反射し、明るい点や「ゴースト効果」を引き起こす現象である。 我々は、反射フレアと光源が常にレンズの光学中心の周囲に対称であることを示す光中心対称性を事前に提案する。 多様なリアルな反射フレアパターンを含むブラケットフレアと呼ばれる最初の反射フレア除去データセットを作成します。
  論文  参考訳（メタデータ） (2023-03-27T09:44:40Z)
• ShadowDiffusion: When Degradation Prior Meets Diffusion Model for Shadow Removal [74.86415440438051]
  画像と劣化先行情報を統合した統合拡散フレームワークを提案する。 SRDデータセット上でのPSNRは31.69dBから34.73dBへと大幅に向上した。
  論文  参考訳（メタデータ） (2022-12-09T07:48:30Z)
• Towards High Fidelity Monocular Face Reconstruction with Rich Reflectance using Self-supervised Learning and Ray Tracing [49.759478460828504]
  ディープニューラルネットワークエンコーダと異なるレンダリングを組み合わせた手法が、幾何学、照明、反射の非常に高速な単分子再構成の道を開いた。 古典的な最適化ベースのフレームワーク内での単眼顔再構築のためにレイトレースが導入されました。 一般シーンにおける復元品質と堅牢性を大幅に向上させる新しい手法を提案します。
  論文  参考訳（メタデータ） (2021-03-29T08:58:10Z)
• Learning to See Through Obstructions with Layered Decomposition [117.77024641706451]
  移動画像から不要な障害を取り除くための学習に基づくアプローチを提案する。 本手法は背景要素と閉塞要素の運動差を利用して両方の層を復元する。 本研究では,合成データから得られた提案手法が実画像に対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-08-11T17:59:31Z)

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。